Модель синтеза речи OpenAI’s TTS-1-1106, доступная через OrcaRouter с нулевой наценкой и потоковой передачей в реальном времени.
openai/tts-1-1106 — это модель преобразования текста в речь, выпущенная OpenAI в ноябре 2023 года. Она использует нейронную сеть для генерации речи из обычного текста, стремясь к естественной…
Модель в первую очередь поддерживает текст на английском языке, хотя может обрабатывать текст и на других языках, использующих латиницу, с разной степенью естественности. OpenAI не опубликовала исчерпывающего списка поддерживаемых языков, но широко известное использование подтверждает высокую производительность для английского, испанского, французского, немецкого, итальянского, португальского и японского (при записи латиницей). Для нелатинских шрифтов, таких как китайский или арабский, качество вывода может ухудшаться. Пользователям следует протестировать свой целевой язык, если он выходит за пределы распространённого набора.
Доступно шесть предустановленных голосов: alloy, echo, fable, onyx, nova и shimmer. Каждый из них обладает уникальным тембром и гендерной подачей (например, alloy — нейтральный, echo — мужской, fable — молодёжный, onyx — глубокий, nova — тёплый, shimmer — яркий). Голос выбирается путём установки параметра voice в запросе. Возможность клонирования голоса или тонкой настройки отсутствует — необходимо выбирать из этих шести. Для проектов, требующих единого голоса бренда, может потребоваться оценить, какая предустановка лучше всего соответствует желаемой индивидуальности.
Да, TTS-1-1106 поддерживает потоковую передачу через события, отправляемые сервером (SSE). Установив параметр stream в true, API возвращает аудиоданные в виде последовательности фрагментов, каждый из которых содержит часть сгенерированной речи. Это позволяет клиентам начинать воспроизведение практически мгновенно, минимизируя воспринимаемую задержку. Потоковая передача особенно полезна для диалоговых интерфейсов, где пользователи ожидают мгновенной обратной связи голосом. Обратите внимание, что потоковая передача может незначительно увеличить общую пропускную способность, однако задержка от начала до конца значительно ниже, чем при ожидании полного ответа.
TTS-1-1106 имеет несколько известных ограничений. Во‑первых, он не может надёжно воспроизводить пение или неречевые вокализации (например, смех, плач). Во‑вторых, предустановленные голоса не поддерживают эмоциональное выражение — тон остаётся неизменным независимо от содержания. В‑третьих, максимальная длина входного текста составляет около 4096 символов; более длинный контент необходимо разбивать на несколько запросов и объединять. В‑четвёртых, обработка фонового шума отсутствует; модель ожидает чистый входной текст. Наконец, качество работы с языками, отличными от английского, может быть нестабильным. Для высококачественных многоязычных нужд рассмотрите специализированные модели.
TTS-1-1106 достигает почти человеческой естественности для коротких и средних по длине английских предложений. Нейронная архитектура обеспечивает плавную просодию, правильную фразировку и минимальные роботизированные артефакты. Независимые оценки (не приведённые в данных фактах) в целом относят её к числу лучших универсальных моделей TTS, доступных через коммерческие API. Однако в очень длинных текстах могут изредка возникать неестественные паузы или слоги с неправильным ударением. В целом для большинства сценариев разговора и повествования результат получается убедительно естественным.
Задержка варьируется в зависимости от длины входного текста и состояния сети, но TTS-1-1106 оптимизирован для низкой сквозной задержки. Типичный запрос на 100–200 символов возвращает первый аудиофрагмент менее чем за 500 мс при потоковой передаче. Полное время ответа для ввода длиной 1000 символов обычно составляет менее 2 секунд. Эти показатели зависят от сети и загрузки сервера OrcaRouter. Потоковая передача значительно снижает воспринимаемую задержку, поскольку воспроизведение может начаться до того, как будет сгенерирован весь аудиофайл. Для приложений реального времени настоятельно рекомендуется потоковая передача.
По сравнению с более старыми TTS-моделями, такими как Tacotron или WaveNet, TTS‑1‑1106 обеспечивает более быстрый инференс и более простую интеграцию через REST API. По качеству он в целом соответствует или превосходит облачные TTS-решения Amazon Polly (нейронные голоса) и Google Cloud Text-to-Speech (голоса WaveNet) на стандартных англоязычных голосовых образцах. Он уступает специализированным моделям ElevenLabs в диапазоне эмоциональной окраски и кастомном клонировании голоса. По стоимости TTS‑1‑1106 конкурентоспособен — $15 за 1 млн входных/выходных токенов (без наценки на OrcaRouter), что составляет примерно $0,015 за 1 тыс. символов ввода. Это сопоставимо с тарифами нейронного TTS Azure.
Основные компромиссы — ограниченный выбор голосов (без возможности настройки) и ограничение на ввод в 4096 символов. Пользователям, которым нужен фирменный голос, приходится выбирать один из шести предустановленных вариантов. Кроме того, модель не принимает теги SSML для точного контроля произношения или интонации, помимо базовых элементов просодии SSML. Также отсутствует поддержка многоголосого диалога в одном запросе — каждый запрос воспроизводит только один голос. Для диалога необходимо отправлять отдельные запросы с разными параметрами голоса и объединять аудио на стороне клиента.
Ценообразование основано на токенах — как входных, так и выходных — по фиксированной ставке $15.00 за 1,000,000 токенов. Один токен примерно соответствует 0.75 символам английского текста для ввода, а выходные токены учитываются как эквивалентное количество сгенерированных аудиосэмплов (также по $15/1M токенов). Дополнительная наценка отсутствует; OrcaRouter передает ставку провайдера без изменений. Эта модель ценообразования означает, что стоимость масштабируется линейно в зависимости от объема обработанного текста и сгенерированного аудио. Для типичного ввода объемом 1000 символов общая стоимость составляет примерно $0.02 (ввод) + $0.02 (вывод) = $0.04 за запрос.
Стриминг сам по себе не меняет цену за токен; вы платите за то же количество токенов независимо от того, передается ли ответ потоком или в виде одного блоба. Кэширование повторяющихся запросов на стороне клиента может сократить расходы за счет избежания дублирующих вызовов API. OrcaRouter не предлагает кэширование на стороне сервера для TTS-ответов. Если ваше приложение часто генерирует один и тот же текст (например, стандартное приветствие), вам следует предварительно сгенерировать и кэшировать аудио локально, чтобы минимизировать расходы. Скидки за объем или уровневые цены отсутствуют; ставка фиксирована за токен.
Рассмотрим чат-бот, который читает вслух сообщения длиной 500 символов. Каждое сообщение будет стоить: ввод: 500 символов ≈ 667 токенов → ~$0,01; вывод: аналогично ~$0,01; итого ~$0,02 за сообщение. При 10 000 сообщениях в месяц это $200. Для аудиокниги из 50 000 слов (≈350 000 символов ввода) стоимость примерно составит: ввод $0,07, вывод $0,07 → $0,14 за всю книгу. Однако учтите, что количество выходных токенов может быть выше из‑за кодирования аудио; фактические затраты могут удвоиться. Всегда тестируйте образец и используйте точное количество токенов, возвращаемое API, для точного планирования бюджета.
Нет. OrcaRouter взимает точно такую же цену, как и базовый провайдер (OpenAI) за TTS-1-1106: $15 за 1 миллион входных токенов и $15 за 1 миллион выходных токенов. Никаких дополнительных сборов за использование шлюза OrcaRouter нет. Такое прозрачное ценообразование позволяет разработчикам получать доступ к модели TTS от OpenAI без увеличения стоимости по сравнению с прямым использованием собственного API OpenAI. Вы платите только за потребление токенов, и OrcaRouter не добавляет никаких дополнительных наценок.
Вы вызываете модель, используя стандартную совместимую с OpenAI конечную точку чат-завершений по базовому URL https://api.orcarouter.ai/v1. Установите параметр model в "openai/tts-1-1106". Тело запроса требует поле input, содержащее текст, который вы хотите преобразовать, и необязательные поля, такие как voice, response_format и speed (для скорости воспроизведения). Аутентификация выполняется с помощью API-ключа в заголовке Authorization. Пример с 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.
Основные параметры запроса: model (обязательный, установить "openai/tts-1-1106"), input (строка, текст для озвучивания), voice (строка из: alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" или "opus", по умолчанию mp3), speed (число с плавающей точкой, по умолчанию 1.0; диапазон, указанный OpenAI: от 0.25 до 4.0), и stream (логическое значение, по умолчанию false). Дополнительные необязательные параметры включают user, согласно соглашениям OpenAI. Не поддерживаются: functions, tools или logprobs. Для потоковой передачи установите stream: true, и ответ будет представлять собой последовательность SSE-событий с аудиоданными.
Минимально необходимые поля: model и input. Поле model должно быть строго равно "openai/tts-1-1106". Поле input должно быть непустой строкой (до ~4096 символов). Если опустить voice, API по умолчанию использует alloy. Если опустить response_format, по умолчанию используется mp3. Запрос должен отправляться в формате JSON через HTTPS. OrcaRouter требует действительный ключ API, помещённый в заголовок Authorization со схемой Bearer. Указывать параметр text_type не нужно; подразумевается обычный текст.
Если вы в настоящее время используете собственную конечную точку API OpenAI для TTS-1-1106, миграция на OrcaRouter требует только изменения базового URL с https://api.openai.com/v1 на https://api.orcarouter.ai/v1 и обновления ключа API на ваш ключ OrcaRouter. Идентификатор модели должен иметь префикс openai/ (т.е. используйте "openai/tts-1-1106" вместо просто "tts-1-1106"). Все остальные параметры (input, voice, response_format и т.д.) остаются без изменений. Никаких изменений кода, кроме конечной точки и ключа, не требуется. Цены остаются идентичными, с нулевой наценкой.
OpenAI также предлагает TTS-1 (оригинальный) и TTS‑1‑HD. TTS-1-1106 — это итерация, оптимизированная для меньшей задержки и потоковой передачи, в то время как TTS‑1‑HD обеспечивает более высокое качество за счет скорости. TTS-1-1106 поддерживает те же шесть голосов и ту же ценовую категорию. По сравнению со старой моделью TTS-1, TTS-1-1106 обладает улучшенной естественностью и уменьшенными артефактами, особенно в длинных высказываниях. Для приложений, где качество аудио имеет первостепенное значение, а задержка менее критична, может быть предпочтительнее TTS‑1‑HD; в противном случае TTS-1-1106 является рекомендуемым выбором для интерактивного использования.
ElevenLabs предлагает расширенные возможности клонирования голоса и управления эмоциями, но по более высокой стоимости за символ (примерно $0,03 за 1K символов на базовом тарифе). Azure Neural TTS имеет цены, схожие с OpenAI (около $15 за 1M символов), и поддерживает более 100 голосов и несколько языков. TTS-1-1106 имеет меньший выбор голосов, но более простой API и отличную задержку. Если вам нужен собственный брендовый голос, лучше подойдут ElevenLabs или Azure; для англоязычного контента с низкой задержкой и доступом без наценки через OrcaRouter оптимальным является TTS-1-1106.
Более дешевые альтернативы TTS могут существовать (например, espeak‑ng или некоторые модели с открытым исходным кодом, работающие локально на CPU), но обычно им не хватает естественности. TTS-1-1106 подходит, когда вам нужна облачная, высококачественная, малозадержная генерация речи без управления инфраструктурой. При очень большом объеме, где стоимость критична, рассмотрите индивидуальное решение. Если вашему приложению требуется речь лишь изредка, цена TTS-1-1106 за токен конкурентоспособна. Для неанглийских языков или пользовательских голосов другие модели могут быть более рентабельными.
Основные отличия TTS-1-1106 — это его скорость (субсекундная потоковая передача) и доступность без наценки через OrcaRouter. Он является частью экосистемы OpenAI, поэтому пользователи, уже интегрирующие модели GPT, могут использовать тот же API-ключ и инфраструктуру. Шесть предустановленных голосов согласованы и хорошо настроены для восприятия. Низкая задержка модели делает её идеальной для разговорного ИИ, а поддержка SSML (базовая) позволяет некоторый контроль над темпом. Однако ей не хватает продвинутых функций, таких как эмоциональная речь, временные метки на уровне слов или обучение пользовательского голоса — что является компромиссом ради её простоты и скорости.
Совместимо с OpenAI — оставьте свой SDK
https://api.orcarouter.ai/v1response_formatspeedvoice| за 1 млн символов | $15.00 |
|---|---|
| Валюта | USD |
| Эта модель тарифицируется не по токенам. Указанная ставка — это фактическая единица измерения, по которой и списываются средства. | |
О чём говорят разработчики на этой неделе
GET /api/public/models/openai/tts-1-1106Открыть @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