Model tekst-mowa TTS-1-1106 OpenAI, dostępny przez OrcaRouter z zerową marżą i strumieniowaniem w czasie rzeczywistym.
openai/tts-1-1106 to model zamiany tekstu na mowę wydany przez OpenAI w listopadzie 2023 roku. Wykorzystuje sieć neuronową do generowania mowy z czystego tekstu, dążąc do naturalnej intonacji, tempa…
Model obsługuje przede wszystkim tekst w języku angielskim, choć może przetwarzać tekst w innych językach używających alfabetu łacińskiego z różnym stopniem naturalności. OpenAI nie opublikowało wyczerpującej listy obsługiwanych języków, ale powszechnie znane zastosowania potwierdzają dobrą wydajność dla angielskiego, hiszpańskiego, francuskiego, niemieckiego, włoskiego, portugalskiego oraz japońskiego (gdy zapisany w alfabecie łacińskim). W przypadku pism niełacińskich, takich jak chiński czy arabski, jakość wyników może się pogorszyć. Użytkownicy powinni przetestować swój język docelowy, jeśli wykracza on poza standardowy zestaw.
Sześć predefiniowanych głosów jest dostępnych: alloy, echo, fable, onyx, nova i shimmer. Każdy z nich ma odrębną barwę i prezentację płciową (np. alloy jest neutralny, echo męski, fable młodzieńczy, onyx głęboki, nova ciepły, shimmer jasny). Głos wybiera się, ustawiając parametr voice w żądaniu. Nie ma możliwości klonowania głosu ani dostrajania go; musisz wybrać spośród tych sześciu. W przypadku projektów wymagających spójnego głosu marki może być konieczne ocenienie, który predefiniowany głos najlepiej pasuje do zamierzonej osobowości.
Tak, TTS-1-1106 obsługuje strumieniowanie za pomocą zdarzeń wysyłanych przez serwer (SSE). Ustawiając parametr stream na true, API zwraca dane audio jako sekwencję fragmentów, z których każdy zawiera część wygenerowanej mowy. Pozwala to klientom rozpocząć odtwarzanie niemal natychmiast, minimalizując odczuwalne opóźnienie. Strumieniowanie jest szczególnie przydatne w interfejsach konwersacyjnych, gdzie użytkownicy oczekują natychmiastowej odpowiedzi słownej. Należy pamiętać, że strumieniowanie może nieznacznie zwiększyć całkowity narzut przepustowości, jednak opóźnienie end‑to‑end jest znacznie mniejsze niż w przypadku oczekiwania na pełną odpowiedź.
TTS-1-1106 ma kilka znanych ograniczeń. Po pierwsze, nie jest w stanie niezawodnie wytwarzać śpiewu ani dźwięków niewerbalnych (np. śmiechu, płaczu). Po drugie, predefiniowane głosy nie obsługują ekspresji emocjonalnej – ton pozostaje stały niezależnie od treści. Po trzecie, maksymalna długość tekstu wejściowego wynosi około 4096 znaków; dłuższe treści należy dzielić na wiele żądań i łączyć. Po czwarte, nie ma obsługi szumów tła – model oczekuje czystego tekstu wejściowego. Wreszcie, wydajność w językach innych niż angielski może być nierówna. W przypadku potrzeb wysokiej jakości w wielu językach warto rozważyć wyspecjalizowane modele.
TTS-1-1106 osiąga naturalność bliską ludzkiej dla krótkich i średniej długości zdań w języku angielskim. Architektura neuronowa generuje płynną prozodię, odpowiednie frazowanie oraz minimalne artefakty robotyczne. Niezależne oceny (niepodane w dostępnych faktach) zazwyczaj umieszczają go wśród najlepszych ogólnego przeznaczenia modeli TTS dostępnych przez komercyjne API. Jednak bardzo długie teksty mogą czasami wykazywać nienaturalne pauzy lub nieprawidłowo akcentowane sylaby. Ogólnie rzecz biorąc, w przypadku większości scenariuszy konwersacyjnych i narracyjnych wyjście jest przekonująco naturalne.
Opóźnienie różni się w zależności od długości wejścia i warunków sieciowych, ale TTS-1-1106 jest zoptymalizowany pod kątem niskiego opóźnienia end‑to‑end. Typowe żądanie o długości 100–200 znaków zwraca pierwszy fragment audio w czasie poniżej 500 ms podczas strumieniowania. Całkowity czas odpowiedzi dla wejścia o długości 1000 znaków wynosi zazwyczaj poniżej 2 sekund. Te wartości zależą od sieci i obciążenia serwera OrcaRouter. Strumieniowanie znacząco zmniejsza odczuwalne opóźnienie, ponieważ odtwarzanie może rozpocząć się przed wygenerowaniem całego dźwięku. W przypadku aplikacji czasu rzeczywistego, strumieniowanie jest zdecydowanie zalecane.
W porównaniu do starszych modeli TTS, takich jak Tacotron czy WaveNet, TTS-1-1106 oferuje szybsze wnioskowanie i łatwiejszą integrację przez API REST. Pod względem jakości dorównuje lub przewyższa chmurowe TTS od Amazon Polly (głosy neuralne) i Google Cloud Text-to-Speech (głosy WaveNet) na standardowych angielskich próbkach mowy. Ustępuje wyspecjalizowanym modelom ElevenLabs pod względem zakresu emocji i niestandardowego klonowania głosu. Kosztowo TTS-1-1106 jest konkurencyjny – $15 za 1M tokenów wejścia/wyjścia (bez narzutu na OrcaRouter), co daje około $0,015 za 1K znaków wejścia. Jest to zbliżone do poziomów neuralnego TTS Azure.
Głównymi kompromisami są ograniczony wybór głosów (brak możliwości dostosowania) oraz limit 4096 znaków na wejściu. Użytkownicy potrzebujący głosu dostosowanego do marki muszą wybrać jeden z sześciu presetów. Ponadto model nie akceptuje tagów SSML umożliwiających precyzyjną kontrolę wymowy lub akcentu poza podstawowymi elementami prozodii SSML. Brakuje również obsługi dialogów wielogłosowych w ramach jednego żądania – każde żądanie generuje jeden głos. W przypadku dialogów należy wysyłać osobne żądania z różnymi parametrami głosu i sklejać audio po stronie klienta.
Ceny opierają się na tokenach – zarówno wejściowych, jak i wyjściowych – według stawki ryczałtowej 15,00 USD za 1 000 000 tokenów. Jeden token odpowiada w przybliżeniu 0,75 znakom tekstu angielskiego dla wejścia, a tokeny wyjściowe są liczone jako równoważna liczba wygenerowanych próbek audio (również po 15 USD / 1 mln tokenów). Nie ma żadnej dodatkowej marży; OrcaRouter przekazuje dokładnie stawkę dostawcy. Ten model cenowy oznacza, że koszt rośnie liniowo wraz z ilością przetwarzanego tekstu i wygenerowanego audio. Dla typowego wejścia o długości 1000 znaków całkowity koszt wynosi około 0,02 USD (wejście) + 0,02 USD (wyjście) = 0,04 USD na żądanie.
Strumieniowanie samo w sobie nie zmienia ceny za token; naliczana jest opłata za tę samą liczbę tokenów niezależnie od tego, czy odpowiedź jest przesyłana strumieniowo, czy jako pojedynczy blok. Buforowanie powtarzających się żądań po stronie klienta może obniżyć koszty, unikając duplikowania wywołań API. OrcaRouter nie oferuje buforowania odpowiedzi TTS po stronie serwera. Jeśli Twoja aplikacja często generuje ten sam tekst (np. standardowe powitanie), powinieneś wstępnie wygenerować i buforować dźwięk lokalnie, aby zminimalizować wydatki. Nie ma rabatów ilościowych ani cen warstwowych; stawka jest stała za token.
Rozważ chatbota, który odczytuje na głos wiadomości o 500 znakach. Każda wiadomość kosztowałaby wejście: 500 znaków ≈ 667 tokenów → ~$0.01; wyjście: podobnie ~$0.01; łącznie ~$0.02 za wiadomość. Przy 10 000 wiadomości miesięcznie to $200. W przypadku audiobooka o 50 000 słów (≈350 000 znaków wejściowych), koszt wyniósłby z grubsza: wejście $0.07, wyjście $0.07 → łącznie $0.14 za książkę. Należy jednak pamiętać, że liczba tokenów wyjściowych może być wyższa ze względu na kodowanie audio; rzeczywiste koszty mogą się podwoić. Zawsze testuj próbkę i używaj dokładnych liczb tokenów zwracanych przez API, aby dokładnie oszacować budżet.
Nie. OrcaRouter pobiera dokładnie taką samą cenę jak bazowy dostawca (OpenAI) za TTS-1-1106: $15 za 1 milion tokenów wejściowych i $15 za 1 milion tokenów wyjściowych. Nie ma żadnych dodatkowych opłat za korzystanie z bramy OrcaRouter. Ta przejrzysta polityka cenowa pozwala programistom korzystać z modelu TTS OpenAI bez żadnego wzrostu kosztów w porównaniu z bezpośrednim użyciem własnego API OpenAI. Płacisz tylko za zużycie tokenów, a OrcaRouter nie dodaje żadnych dodatkowych opłat.
Wywołujesz model za pomocą standardowego punktu końcowego zgodnego z OpenAI do uzupełniania czatów pod adresem bazowym URL https://api.orcarouter.ai/v1. Ustaw parametr model na "openai/tts-1-1106". Treść żądania wymaga pola input zawierającego tekst, który chcesz przekonwertować, oraz opcjonalnych pól takich jak voice, response_format i speed (dla szybkości odtwarzania). Uwierzytelnianie odbywa się za pomocą klucza API w nagłówku Authorization. Przykład z curl: 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.
Kluczowe parametry żądania obejmują: model (wymagany, ustaw na "openai/tts-1-1106"), input (ciąg znaków, tekst do odczytania), voice (ciąg znaków spośród alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" lub "opus", domyślnie mp3), speed (liczba zmiennoprzecinkowa, domyślnie 1.0; zakres według dokumentacji OpenAI: 0.25 do 4.0) oraz stream (wartość logiczna, domyślnie false). Dodatkowe opcjonalne parametry obejmują user, zgodnie z konwencją OpenAI. Nieobsługiwane: functions, tools ani logprobs. Dla strumieniowania ustaw stream: true, a odpowiedź będzie serią zdarzeń SSE zawierających dane audio.
Minimalne wymagane pola to model i input. Model musi być dokładnie „openai/tts-1-1106”. Pole input musi być niepustym ciągiem znaków (do około 4096 znaków). Jeśli pominięto voice, API domyślnie używa alloy. Jeśli pominięto response_format, domyślnie jest to mp3. Żądanie należy wysłać jako JSON przez HTTPS. OrcaRouter wymaga ważnego klucza API umieszczonego w nagłówku Authorization z schematem Bearer. Nie ma potrzeby określania parametru text_type; zakładany jest zwykły tekst.
Jeśli obecnie korzystasz z własnego punktu końcowego API OpenAI dla TTS-1-1106, migracja do OrcaRouter wymaga jedynie zmiany podstawowego adresu URL z https://api.openai.com/v1 na https://api.orcarouter.ai/v1 oraz zaktualizowania klucza API na swój klucz OrcaRouter. Identyfikator modelu musi być poprzedzony przedrostkiem openai/ (tj. użyj "openai/tts-1-1106" zamiast samego "tts-1-1106"). Wszystkie pozostałe parametry (input, voice, response_format itp.) pozostają bez zmian. Nie są potrzebne żadne zmiany w kodzie poza punktem końcowym i kluczem. Cennik pozostaje identyczny, bez żadnej marży.
OpenAI oferuje również TTS-1 (oryginalny) oraz TTS‑1‑HD. TTS-1-1106 to iteracja zoptymalizowana pod kątem niższego opóźnienia i strumieniowania, podczas gdy TTS‑1‑HD zapewnia wyższą jakość kosztem szybkości. TTS-1-1106 obsługuje te same sześć głosów i tę samą cenę. W porównaniu do starszego modelu TTS-1, TTS-1-1106 charakteryzuje się lepszą naturalnością i mniejszą liczbą artefaktów, szczególnie w przypadku dłuższych wypowiedzi. W zastosowaniach, gdzie jakość dźwięku jest najważniejsza, a opóźnienie mniej krytyczne, preferowany może być TTS‑1‑HD; w przeciwnym razie TTS-1-1106 jest zalecanym wyborem do interaktywnego użytku.
ElevenLabs oferuje zaawansowane klonowanie głosu i kontrolę emocji, ale po wyższym koszcie na znak (około $0.03 za 1K znaków dla ich podstawowej wersji). Azure Neural TTS ma podobne ceny do OpenAI (około $15 za 1M znaków) i obsługuje ponad 100 głosów oraz wiele języków. TTS-1-1106 ma mniejszy wybór głosów, ale prostsze API i doskonałe opóźnienie. Jeśli potrzebujesz niestandardowego głosu marki, lepsze są ElevenLabs lub Azure; w przypadku dostępu wyłącznie w języku angielskim, niskim opóźnieniem i bez marży za pośrednictwem OrcaRouter, TTS-1-1106 jest mocnym wyborem.
Tańsze alternatywy TTS mogą istnieć (np. espeak‑ng lub niektóre modele open‑source działające lokalnie na CPU), ale zwykle brakuje im naturalności. TTS-1-1106 jest odpowiedni, gdy potrzebujesz generowania mowy w chmurze o wysokiej jakości i niskim opóźnieniu, bez zarządzania infrastrukturą. W przypadku bardzo dużego wolumenu, gdzie koszt ma kluczowe znaczenie, rozważ rozwiązanie niestandardowe. Jeśli Twoja aplikacja wymaga tylko okazjonalnego generowania mowy, ceny TTS-1-1106 za token są konkurencyjne. W przypadku języków innych niż angielski lub niestandardowych głosów inne modele mogą być bardziej opłacalne.
Głównymi wyróżnikami TTS-1-1106 są jego szybkość (strumieniowanie poniżej sekundy) oraz dostępność bez narzutów za pośrednictwem OrcaRouter. Jest częścią ekosystemu OpenAI, więc użytkownicy już integrujący modele GPT mogą korzystać z tego samego klucza API i infrastruktury. Sześć predefiniowanych głosów jest spójnych i dobrze dostrojonych pod kątem zrozumiałości. Niskie opóźnienie modelu sprawia, że idealnie nadaje się do konwersacyjnej AI, a wsparcie dla SSML (podstawowe) pozwala na pewną kontrolę nad tempem. Brakuje mu jednak zaawansowanych funkcji, takich jak mowa emocjonalna, znaczniki czasu na poziomie słów czy niestandardowe szkolenie głosu – co stanowi kompromis w zamian za jego prostotę i szybkość.
Zgodne z OpenAI — zostań przy swoim SDK
https://api.orcarouter.ai/v1response_formatspeedvoice| za 1 mln znaków | $15.00 |
|---|---|
| Waluta | USD |
| Ten model nie jest rozliczany za tokeny. Powyższa stawka dotyczy faktycznie mierzonej jednostki i to ona jest pobierana przy rozliczeniu. | |
O czym mówią programiści w tym tygodniu
GET /api/public/models/openai/tts-1-1106Otwórz @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