Modelo de texto-para-fala TTS-1-1106 da OpenAI, acessível via OrcaRouter sem margem de lucro com streaming em tempo real.
openai/tts-1-1106 é um modelo de texto-para-fala lançado pela OpenAI em novembro de 2023. Ele utiliza uma rede neural para gerar fala a partir de texto simples, buscando entonação, ritmo e clareza…
O modelo suporta principalmente textos em inglês, embora possa processar textos em outros idiomas que utilizam o alfabeto latino com diferentes graus de naturalidade. A OpenAI não publicou uma lista exaustiva de idiomas suportados, mas o uso amplamente conhecido confirma um desempenho forte para inglês, espanhol, francês, alemão, italiano, português e japonês (quando escrito em script latino). Para scripts não latinos, como chinês ou árabe, a qualidade da saída pode ser inferior. Os usuários devem testar seu idioma de destino se ele estiver fora do conjunto comum.
Seis vozes predefinidas estão disponíveis: alloy, echo, fable, onyx, nova e shimmer. Cada uma possui um tom distinto e uma apresentação de gênero (por exemplo, alloy é neutra, echo é masculina, fable é jovial, onyx é profunda, nova é calorosa, shimmer é brilhante). A voz é selecionada definindo o parâmetro voice na solicitação. Não há capacidade de clonagem ou ajuste fino de voz personalizada; você deve escolher entre essas seis. Para projetos que exigem uma voz de marca consistente, pode ser necessário avaliar qual predefinição melhor se adequa à personalidade desejada.
Sim, o TTS-1-1106 suporta streaming via eventos enviados pelo servidor (SSE). Ao definir o parâmetro stream como verdadeiro, a API retorna os dados de áudio como uma sequência de blocos, cada um contendo uma parte da fala gerada. Isso permite que os clientes iniciem a reprodução quase que imediatamente, minimizando a latência percebida. O streaming é particularmente útil para interfaces conversacionais onde os usuários esperam feedback verbal instantâneo. Observe que o streaming pode aumentar ligeiramente a sobrecarga total de largura de banda, mas a latência de ponta a ponta é significativamente menor do que aguardar uma resposta completa.
O TTS-1-1106 possui várias limitações conhecidas. Primeiro, não consegue produzir cantos ou vocalizações não verbais (por exemplo, risos, choro) de forma confiável. Segundo, as vozes predefinidas não suportam expressão emocional — o tom permanece consistente independentemente do conteúdo. Terceiro, o comprimento máximo do texto de entrada é de cerca de 4096 caracteres; conteúdos mais longos devem ser divididos em várias requisições e concatenados. Quarto, não há tratamento de ruído de fundo; o modelo espera um texto de entrada limpo. Por último, o desempenho para idiomas diferentes do inglês pode ser inconsistente. Para necessidades multilíngues de alta qualidade, considere modelos especializados.
TTS-1-1106 alcança naturalidade quase humana para sentenças curtas a médias em inglês. A arquitetura neural produz prosódia suave, fraseado adequado e artefatos robóticos mínimos. Avaliações independentes (não fornecidas nos fatos dados) geralmente o colocam entre os principais modelos TTS de uso geral disponíveis através de APIs comerciais. No entanto, textos muito longos podem ocasionalmente exibir pausas não naturais ou sílabas com acentuação incorreta. No geral, para a maioria dos cenários de conversação e narração, a saída é convincentemente natural.
A latência varia com o comprimento da entrada e as condições de rede, mas o TTS-1-1106 é otimizado para baixo atraso de ponta a ponta. Uma solicitação típica de 100–200 caracteres retorna o primeiro trecho de áudio em menos de 500 ms quando transmitido em streaming. O tempo total de resposta para uma entrada de 1000 caracteres geralmente fica abaixo de 2 segundos. Esses números dependem da rede e da carga do servidor do OrcaRouter. O streaming reduz significativamente a latência percebida, pois a reprodução pode começar antes de todo o áudio ser gerado. Para aplicações em tempo real, o streaming é fortemente recomendado.
Comparado a modelos TTS mais antigos, como Tacotron ou WaveNet, o TTS-1-1106 oferece inferência mais rápida e integração mais fácil por meio de uma API REST. Ele geralmente iguala ou supera a qualidade do TTS em nuvem da Amazon Polly (vozes neurais) e do Google Cloud Text-to-Speech (vozes WaveNet) em amostras de voz padrão em inglês. Fica atrás de modelos especializados da ElevenLabs em termos de alcance emocional e clonagem de voz personalizada. Em relação ao custo, o TTS-1-1106 tem um preço competitivo de US$ 15 por 1M de tokens de entrada/saída (sem margem de lucro no OrcaRouter), o que equivale a aproximadamente US$ 0,015 por 1K caracteres de entrada. Isso é semelhante aos tiers de TTS neural do Azure.
As principais desvantagens são a seleção limitada de vozes (sem personalização) e o limite de entrada de 4096 caracteres. Usuários que precisam de uma voz específica da marca devem escolher um dos seis predefinidos. Além disso, o modelo não aceita tags SSML para controle refinado de pronúncia ou ênfase, além dos elementos básicos de prosódia SSML. Também não há suporte para diálogo com vários falantes em uma única solicitação — cada solicitação produz uma voz. Para diálogos, é necessário enviar solicitações separadas com parâmetros de voz diferentes e unir o áudio no lado do cliente.
Precificação baseada em tokens—tanto de entrada quanto de saída—a uma taxa fixa de $15.00 por 1,000,000 de tokens. Um token corresponde aproximadamente a 0.75 caracteres de texto em inglês para entrada, e os tokens de saída são contados como o número equivalente de amostras de áudio geradas (também a $15/1M de tokens). Não há margem adicional; o OrcaRouter repassa exatamente a taxa do provedor. Este modelo de precificação significa que o custo escala linearmente com a quantidade de texto processado e áudio produzido. Para uma entrada típica de 1000 caracteres, o custo total é aproximadamente $0.02 (entrada) + $0.02 (saída) = $0.04 por solicitação.
Streaming em si não altera o preço por token; você é cobrado pelo mesmo número de tokens, independentemente de a resposta ser transmitida em streaming ou entregue como um único bloco. Armazenar em cache solicitações repetidas no lado do cliente pode economizar custos ao evitar chamadas de API duplicadas. OrcaRouter não oferece cache no lado do servidor para respostas de TTS. Se sua aplicação gera o mesmo texto com frequência (por exemplo, uma saudação padrão), você deve pré-gerar e armazenar o áudio em cache localmente para minimizar despesas. Não há descontos por volume ou preços escalonados; a taxa é fixa por token.
Considere um chatbot que lê em voz alta mensagens de 500 caracteres. Cada mensagem custaria entrada: 500 caracteres ≈ 667 tokens → ~$0.01; saída: similarmente ~$0.01; total ~$0.02 por mensagem. Com 10,000 mensagens por mês, isso dá $200. Para um audiolivro de 50,000 palavras (≈350,000 caracteres de entrada), o custo seria aproximadamente: entrada $0.07, saída $0.07 → $0.14 total para o livro. No entanto, observe que a contagem de tokens de saída pode ser maior devido à codificação de áudio; os custos reais podem dobrar. Sempre teste uma amostra e use as contagens exatas de tokens retornadas pela API para fazer um orçamento preciso.
Não. O OrcaRouter cobra exatamente o mesmo preço que o provedor subjacente (OpenAI) para o TTS-1-1106: $15 por 1 milhão de tokens de entrada e $15 por 1 milhão de tokens de saída. Não há taxas adicionais para usar o gateway OrcaRouter. Esse preço transparente permite que os desenvolvedores acessem o modelo TTS da OpenAI sem qualquer aumento de custo em comparação com o uso da própria API da OpenAI diretamente. Você paga apenas pelo consumo de tokens, e o OrcaRouter não adiciona sobretaxas extras.
Você chama o modelo usando o endpoint padrão de completions de chat compatível com OpenAI na URL base https://api.orcarouter.ai/v1. Defina o parâmetro model como "openai/tts-1-1106". O corpo da requisição exige um campo input contendo o texto que deseja converter, e campos opcionais como voice, response_format e speed (para a taxa de reprodução). A autenticação é feita por meio de uma chave de API no cabeçalho Authorization. Exemplo com 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.
Os principais parâmetros da solicitação incluem: model (obrigatório, definido como "openai/tts-1-1106"), input (string, o texto a ser falado), voice (string entre alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" ou "opus", padrão mp3), speed (float, padrão 1.0; faixa documentada pela OpenAI como 0.25 a 4.0) e stream (booleano, padrão false). Parâmetros opcionais adicionais incluem user, conforme as convenções da OpenAI. Não suportado: functions, tools ou logprobs. Para streaming, defina stream: true, e a resposta será uma série de eventos SSE com dados de áudio.
Os campos mínimos obrigatórios são model e input. O model deve ser exatamente "openai/tts-1-1106". O campo input deve ser uma string não vazia (até aproximadamente 4096 caracteres). Se você omitir voice, a API usará alloy como padrão. Se omitir response_format, o padrão será mp3. A solicitação deve ser enviada como JSON via HTTPS. O OrcaRouter exige uma chave de API válida colocada no cabeçalho Authorization com o esquema Bearer. Não é necessário especificar o parâmetro text_type; presume-se texto simples.
Se você está atualmente usando o próprio endpoint da API da OpenAI para TTS-1-1106, migrar para o OrcaRouter requer apenas alterar a URL base de https://api.openai.com/v1 para https://api.orcarouter.ai/v1 e atualizar a chave de API para a sua chave OrcaRouter. O ID do modelo deve ser prefixado com openai/ (ou seja, use "openai/tts-1-1106" em vez de apenas "tts-1-1106"). Todos os outros parâmetros (input, voice, response_format, etc.) permanecem os mesmos. Nenhuma alteração de código além do endpoint e da chave é necessária. Os preços permanecem idênticos, sem margem de lucro.
OpenAI também oferece TTS-1 (o original) e TTS‑1‑HD. TTS-1-1106 é uma iteração otimizada para menor latência e streaming, enquanto TTS‑1‑HD oferece maior qualidade ao custo da velocidade. TTS-1-1106 suporta as mesmas seis vozes e faixa de preço. Comparado ao modelo TTS-1 mais antigo, TTS-1-1106 tem naturalidade melhorada e artefatos reduzidos, especialmente em trechos mais longos. Para aplicações onde a qualidade de áudio é primordial e a latência é menos crítica, TTS‑1‑HD pode ser preferível; caso contrário, TTS-1-1106 é a escolha recomendada para uso interativo.
A ElevenLabs oferece clonagem de voz avançada e controle emocional, mas com um custo por caractere mais alto (aproximadamente $0,03 por 1.000 caracteres no plano básico). O Azure Neural TTS tem preços semelhantes aos da OpenAI (cerca de $15 por 1.000.000 de caracteres) e suporta mais de 100 vozes e vários idiomas. O TTS-1-1106 tem uma seleção de vozes menor, mas uma API mais simples e latência excelente. Se você precisa de uma voz de marca personalizada, ElevenLabs ou Azure são melhores; para acesso apenas em inglês, com baixa latência e sem markup via OrcaRouter, o TTS-1-1106 é uma opção robusta.
Alternativas TTS mais baratas podem existir (ex.: espeak‑ng ou alguns modelos open‑source rodando localmente na CPU), mas geralmente carecem de naturalidade. O TTS-1-1106 é adequado quando você precisa de geração de fala em escala de nuvem, alta qualidade e baixa latência sem gerenciar infraestrutura. Para volumes muito altos onde o custo é crítico, considere uma solução personalizada. Se seu aplicativo precisa apenas de fala ocasional, o preço por token do TTS-1-1106 é competitivo. Para idiomas não ingleses ou vozes personalizadas, outros modelos podem ser mais econômicos.
Os principais diferenciais do TTS-1-1106 são sua velocidade (streaming em menos de um segundo) e sua disponibilidade sem margem de lucro através do OrcaRouter. Ele faz parte do ecossistema OpenAI, então usuários que já integram modelos GPT podem usar a mesma chave de API e infraestrutura. As seis vozes predefinidas são consistentes e bem ajustadas para compreensão. A baixa latência do modelo o torna ideal para IA conversacional, enquanto o suporte SSML (básico) permite algum controle sobre o ritmo. No entanto, carece de recursos avançados como fala emocional, carimbos de tempo em nível de palavra ou treinamento personalizado de voz – que são compensações por sua simplicidade e velocidade.
Compatível com OpenAI — mantenha seu SDK
https://api.orcarouter.ai/v1response_formatspeedvoice| por 1 M de caracteres | $15.00 |
|---|---|
| Moeda | USD |
| Este modelo não é cobrado por token. A tarifa acima corresponde à unidade realmente medida e é o que é cobrado na liquidação. | |
Do que os desenvolvedores estão falando esta semana
GET /api/public/models/openai/tts-1-1106Abrir @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