OpenAIのTTS-1-1106 テキスト読み上げモデルは、OrcaRouterを介して、ゼロマークアップでリアルタイムストリーミングにより利用可能です。
openai/tts-1-1106 は、2023年11月にOpenAIがリリースしたテキスト読み上げモデルです。プレーンテキストから音声を生成するためにニューラルネットワークを使用し、自然なイントネーション、ペース、明瞭さを目指しています。このモデルは、最大6つのプリセット音声 (alloy、echo、fable、onyx、nova、shimmer)…
このモデルは主に英語のテキストをサポートしていますが、ラテンアルファベットを使用する他の言語のテキストも、自然さの程度にばらつきはありますが処理できます。OpenAIはサポートされている言語の完全なリストを公開していませんが、広く知られている使用例から、英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、および日本語（ラテン文字で書かれた場合）で高い性能が確認されています。中国語やアラビア語などの非ラテン文字のスクリプトでは、出力品質が低下する可能性があります。対象言語が一般的なセットに含まれていない場合は、ユーザー自身でテストする必要があります。
6つのプリセット音声が利用可能です：alloy、echo、fable、onyx、nova、shimmer。それぞれ異なるトーンと性別表現を持ちます（例：alloyはニュートラル、echoは男性的、fableは若々しい、onyxは低音、novaは温かみ、shimmerは明るい）。音声はリクエスト内のvoiceパラメータを設定することで選択します。カスタム音声のクローンや微調整機能はなく、これら6つから選択する必要があります。一貫したブランドボイスが必要なプロジェクトでは、どのプリセットが意図した性格に最も合うかを評価することが必要になる場合があります。
はい、TTS-1-1106はサーバー送信イベント（SSE）を介したストリーミングをサポートしています。streamパラメータをtrueに設定することで、APIは生成された音声の一部を含むチャンクのシーケンスとしてオーディオデータを返します。これにより、クライアントはほぼ即座に再生を開始でき、知覚される遅延を最小限に抑えます。ストリーミングは、ユーザーが即座の音声フィードバックを期待する会話型インターフェースに特に役立ちます。ストリーミングにより全体の帯域幅オーバーヘッドがわずかに増加する可能性がありますが、エンドツーエンドの遅延は完全な応答を待つよりも大幅に低くなります。
TTS-1-1106にはいくつかの既知の制限があります。第一に、歌唱や非発話の発声（笑い声、泣き声など）を確実に生成できません。第二に、プリセットの音声は感情表現に対応しておらず、内容に関わらずトーンが一定です。第三に、最大入力テキスト長は約4096文字であり、より長いコンテンツは複数のリクエストに分割して連結する必要があります。第四に、背景ノイズ処理はなく、モデルはクリーンな入力テキストを想定しています。最後に、英語以外の言語でのパフォーマンスは不安定な場合があります。高品質な多言語対応が必要な場合は、専門モデルを検討してください。
TTS-1-1106は、短～中程度の英文において人間に近い自然さを実現します。ニューラルアーキテクチャにより、滑らかな韻律、適切なフレージング、ロボット的な不自然さの最小化が図られています。独立した評価（与えられた事実には含まれていません）では、商用APIを通じて利用可能な汎用TTSモデルの中でもトップクラスに位置づけられることが一般的です。ただし、非常に長いテキストでは、まれに不自然なポーズや誤ったアクセントが生じることがあります。全体として、ほとんどの会話やナレーションのシナリオにおいて、出力は説得力のある自然さを示します。
レイテンシは入力長やネットワーク状況によって変動しますが、TTS-1-1106はエンドツーエンドの遅延を低く抑えるよう最適化されています。100～200文字の一般的なリクエストでは、ストリーミング時に最初の音声チャンクが500ミリ秒未満で返されます。1000文字の入力の場合、全応答時間は通常2秒未満です。これらの数値はOrcaRouterのネットワークおよびサーバ負荷に依存します。ストリーミングにより、音声全体が生成される前に再生を開始できるため、体感レイテンシが大幅に低減します。リアルタイムアプリケーションではストリーミングを強く推奨します。
TacotronやWaveNetなどの古いTTSモデルと比較して、TTS-1-1106はより高速な推論とREST APIによる簡単な統合を提供します。一般的に、標準的な英語音声サンプルにおいて、Amazon Polly（ニューラル音声）およびGoogle Cloud Text-to-Speech（WaveNet音声）のクラウドTTSの品質に匹敵するか、それを上回ります。感情表現の幅とカスタム音声クローニングの点では、ElevenLabsの専門モデルには劣ります。コスト面では、TTS-1-1106は100万入力/出力トークンあたり15ドル（OrcaRouter上ではマークアップゼロ）で競争力のある価格設定となっており、これは入力文字1,000文字あたり約0.015ドルに相当します。これはAzureのニューラルTTSティアと同様です。
主なトレードオフは、音声選択の制限（カスタマイズ不可）と4096文字の入力上限です。ブランド固有の音声が必要なユーザーは、6つのプリセットのいずれかを選択する必要があります。さらに、このモデルは基本的なSSMLプロソディ要素を超えた発音や強調の細かい制御のためにSSMLタグを受け付けません。また、単一リクエストでのマルチスピーカーダイアログをサポートしていません—各リクエストは1つの音声を生成します。ダイアログの場合は、異なる音声パラメータで個別のリクエストを送信し、クライアント側でオーディオをつなぎ合わせる必要があります。
料金はトークン（入力と出力の両方）に基づいており、一律 $15.00 / 1,000,000 トークンです。1トークンは入力の英語テキスト約0.75文字に相当し、出力トークンは生成された音声サンプルの同等数としてカウントされます（こちらも $15/1M トークン）。追加のマークアップはなく、OrcaRouter はプロバイダーの料金をそのまま適用します。この料金モデルでは、コストは処理されるテキスト量と生成される音声量に比例して増加します。通常の1000文字入力の場合、合計コストはおおよそ $0.02（入力）+ $0.02（出力）= $0.04 / リクエスト となります。
ストリーミング自体はトークンごとの価格に影響しません。レスポンスがストリームされるか単一のブロブとして配信されるかに関わらず、同じトークン数に対して課金されます。クライアント側で繰り返しのリクエストをキャッシュすることで、API呼び出しの重複を避け、コストを削減できます。OrcaRouterはTTSレスポンスに対するサーバーサイドキャッシュを提供していません。アプリケーションが同じテキストを頻繁に生成する場合（例：標準的な挨拶文）、事前に音声を生成してローカルにキャッシュすることで費用を最小限に抑えるべきです。ボリュームディスカウントや段階的価格設定はなく、料金はトークンあたり一律です。
500文字のメッセージを音読するチャットボットを考えます。各メッセージのコストは、入力：500文字 ≈ 667トークン → 約$0.01、出力：同様に約$0.01、合計で1メッセージあたり約$0.02です。月間10,000メッセージの場合、$200です。50,000語（入力約350,000文字）のオーディオブックの場合、コストはおおよそ：入力$0.07、出力$0.07 → 合計$0.14です。ただし、出力トークン数はオーディオエンコーディングにより高くなる可能性があります。実際のコストは倍になることがあります。常にサンプルをテストし、APIが返す正確なトークン数を使用して正確に予算を立ててください。
いいえ。OrcaRouterは、基盤プロバイダー（OpenAI）のTTS-1-1106とまったく同じ価格を請求します。入力トークン100万個あたり15ドル、出力トークン100万個あたり15ドルです。OrcaRouterゲートウェイの利用に追加料金はかかりません。この透明な価格設定により、開発者はOpenAIのAPIを直接使用する場合と比べてコスト増なしでOpenAIのTTSモデルにアクセスできます。トークン消費に対してのみお支払いいただき、OrcaRouterは追加の割増料金を一切課しません。
標準のOpenAI互換チャット完了エンドポイント（ベースURL: https://api.orcarouter.ai/v1）を使用してモデルを呼び出します。モデルパラメータは「openai/tts-1-1106」に設定します。リクエストボディには、変換するテキストを含むinputフィールドと、voice、response_format、speed（再生速度）などのオプションフィールドが必要です。認証はAuthorizationヘッダー内のAPIキーを使用して行われます。curlを使用した例：curl https://api.orcarouter.ai/v1/audio/speech -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model":"openai/tts-1-1106","input":"Hello world","voice":"alloy","response_format":"mp3"}' > output.mp3
主要なリクエストパラメータは次のとおりです: model (必須、"openai/tts-1-1106"に設定)、input (文字列、読み上げるテキスト)、voice (alloy, echo, fable, onyx, nova, shimmer のいずれかの文字列)、response_format ("mp3" または "opus"、デフォルトは mp3)、speed (浮動小数点数、デフォルト 1.0; OpenAI により0.25から4.0の範囲と記載)、stream (ブール値、デフォルト false)。追加のオプションパラメータとして、OpenAI の慣例に従い、user があります。サポートされていないもの: functions、tools、logprobs。ストリーミングの場合、stream: true を設定すると、レスポンスはオーディオデータを含む一連のSSEイベントになります。
最低限必要なフィールドはmodelとinputです。modelは正確に"openai/tts-1-1106"でなければなりません。inputフィールドは空でない文字列（最大約4096文字）でなければなりません。voiceを省略すると、APIはデフォルトでalloyになります。response_formatを省略すると、デフォルトでmp3になります。リクエストはHTTPS上でJSONとして送信する必要があります。OrcaRouterは、BearerスキーマのAuthorizationヘッダーに有効なAPIキーを配置する必要があります。text_typeパラメータを指定する必要はありません。プレーンテキストが想定されます。
現在、OpenAIの独自APIエンドポイント（TTS-1-1106）をご利用の場合、OrcaRouterへの移行にはベースURLを https://api.openai.com/v1 から https://api.orcarouter.ai/v1 に変更し、APIキーをOrcaRouterのキーに更新するだけで済みます。モデルIDには "openai/" をプレフィックスとして付ける必要があります（つまり、"tts-1-1106" ではなく "openai/tts-1-1106" を使用します）。その他のパラメーター（input、voice、response_formatなど）は変更不要です。エンドポイントとキー以外のコード変更は必要ありません。料金は同一で、追加料金はかかりません。
OpenAIは、TTS-1（オリジナル）とTTS‑1‑HDも提供しています。TTS-1-1106は低レイテンシとストリーミングに最適化された改良版であり、TTS‑1‑HDは速度を犠牲にして高品質を提供します。TTS-1-1106は同じ6つの音声と価格をサポートしています。旧モデルのTTS-1と比較して、TTS-1-1106は自然さが向上し、特に長い発話においてアーティファクトが低減されています。音質が最重要でレイテンシがそれほど重要でない用途ではTTS‑1‑HDが適している場合があり、それ以外のインタラクティブな使用ではTTS-1-1106が推奨されます。
ElevenLabsは広範な音声クローン作成と感情制御を提供しますが、基本階層では1K文字あたり約$0.03と、文字単位のコストが高くなっています。Azure Neural TTSの価格はOpenAIと同程度（100万文字あたり約$15）で、100以上の音声と複数の言語をサポートしています。TTS-1-1106は音声の選択肢は少ないですが、APIはシンプルでレイテンシに優れています。カスタムブランド音声が必要な場合は、ElevenLabsまたはAzureが適しています。英語のみ、低レイテンシ、OrcaRouterを介したゼロマークアップアクセスには、TTS-1-1106が強力です。
より安価なTTS代替手段（例：espeak‑ngやCPU上でローカルに動作する一部のオープンソースモデル）も存在するかもしれませんが、通常は自然さに欠けます。TTS-1-1106は、インフラ管理を必要とせずに、クラウド規模の高品質・低レイテンシな音声生成が必要な場合に適しています。コストが重要な大量利用の場合は、カスタムソリューションを検討してください。アプリでたまにしか音声が必要ない場合、TTS-1-1106のトークン単位の価格設定は競争力があります。非英語やカスタム音声の場合、他のモデルの方がコストパフォーマンスが良い可能性があります。
TTS-1-1106の主な差別化要因は、その速度（サブ秒ストリーミング）と、OrcaRouterを通じてゼロマークアップで利用可能な点です。OpenAIエコシステムの一部であるため、既にGPTモデルを統合しているユーザーは同じAPIキーとインフラストラクチャを使用できます。6つのプリセット音声は一貫性があり、理解しやすく調整されています。低遅延により、会話型AIに理想的であり、SSMLサポート（基本）によってペーシングをある程度制御できます。ただし、感情表現、単語レベルのタイムスタンプ、カスタム音声トレーニングといった高度な機能は欠けており、これらはシンプルさと速度とのトレードオフです。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1response_formatspeedvoice| 100万文字あたり | $15.00 |
|---|---|
| 通貨 | USD |
| このモデルはトークン単位では課金されません。上記の料金は実際の計測単位であり、精算もこの単位で行われます。 | |
今週の開発者の声
@misc{orcarouter_tts_1_1106,
title = {openai/tts-1-1106 API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/tts-1-1106}
}openai. (n.d.). openai/tts-1-1106 API. OrcaRouter. https://www.orcarouter.ai/models/openai/tts-1-1106