OpenAI’s TTS-1-1106 text-till-tal-modell, tillgänglig via OrcaRouter till noll påslag med realtidsströmning.
openai/tts-1-1106 är en text-till-tal-modell som släpptes av OpenAI i november 2023. Den använder ett neuralt nätverk för att generera tal från vanlig text, med målet att uppnå naturlig intonation,…
Modellen stöder främst engelsk text, men kan bearbeta text på andra språk som använder latinska alfabetet med varierande grad av naturlighet. OpenAI har inte publicerat en uttömmande lista över språk som stöds, men välkänd användning bekräftar stark prestanda för engelska, spanska, franska, tyska, italienska, portugisiska och japanska (när det skrivs med latinsk skrift). För icke-latinska skript som kinesiska eller arabiska kan utskriftens kvalitet försämras. Användare bör testa sitt målspråk om det faller utanför den vanliga uppsättningen.
Sex förinställda röster finns tillgängliga: alloy, echo, fable, onyx, nova och shimmer. Varje har en distinkt ton och könspresentation (t.ex. alloy är neutral, echo är maskulin, fable är ungdomlig, onyx är djup, nova är varm, shimmer är klar). Rösten väljs genom att ställa in röstparametern i begäran. Det finns ingen anpassad röstkloning eller finjusteringsmöjlighet; du måste välja bland dessa sex. För projekt som kräver en konsekvent varumärkesröst kan det vara nödvändigt att utvärdera vilken förinställning som bäst matchar den avsedda personligheten.
Ja, TTS-1-1106 stöder strömning via server-sända händelser (SSE). Genom att ställa in stream-parametern till true returnerar API:et ljuddata som en sekvens av bitar (chunks), där varje bit innehåller en del av det genererade talet. Detta gör att klienter kan starta uppspelning nästan omedelbart, vilket minimerar upplevd latens. Strömning är särskilt användbart för konversationsgränssnitt där användare förväntar sig omedelbar verbal feedback. Observera att strömning kan öka den totala bandbreddsomkostnaden något, men fördröjningen från början till slut är betydligt lägre än att vänta på ett fullt svar.
TTS-1-1106 har flera kända begränsningar. För det första kan den inte på ett tillförlitligt sätt producera sång eller icke-talspråksljud (t.ex. skratt, gråt). För det andra stöder de förinställda rösterna inte känslomässiga uttryck – tonen förblir densamma oavsett innehåll. För det tredje är den maximala inmatningstextens längd cirka 4096 tecken; längre innehåll måste delas upp i flera förfrågningar och sammanfogas. För det fjärde saknas hantering av bakgrundsljud; modellen förväntar sig ren inmatningstext. Slutligen kan prestandan för andra språk än engelska vara inkonsekvent. För högkvalitativa flerspråkiga behov, överväg specialiserade modeller.
TTS-1-1106 uppnår närmast mänsklig naturlighet för korta till medellånga engelska meningar. Den neurala arkitekturen producerar jämn prosodi, lämplig frasering och minimala robotiska artefakter. Oberoende utvärderingar (inte angivna i de givna fakta) placerar den generellt bland de bästa allmänna TTS-modellerna som finns tillgängliga via kommersiella API:er. Dock kan mycket långa texter ibland uppvisa onaturliga pauser eller felbetonade stavelser. Sammantaget är resultatet övertygande naturligt för de flesta konversations- och berättelsescenarier.
Latens varierar med indatalängd och nätverksförhållanden, men TTS-1-1106 är optimerad för låg end‑to‑end‑fördröjning. En typisk begäran på 100–200 tecken returnerar det första ljudsegmentet på under 500 ms vid strömning. Full svarstid för en 1000‑teckens indata är vanligtvis under 2 sekunder. Dessa siffror beror på OrcaRouters nätverk och serverbelastning. Strömning minskar upplevd latens avsevärt eftersom uppspelning kan starta innan hela ljudet är genererat. För realtidsapplikationer rekommenderas strömning starkt.
Jämfört med äldre TTS-modeller som Tacotron eller WaveNet, erbjuder TTS-1-1106 snabbare inferens och enklare integration via ett REST-API. Den matchar eller överträffar i allmänhet kvaliteten på moln-TTS från Amazon Polly (neurala röster) och Google Cloud Text-to-Speech (WaveNet-röster) på standard engelska röstprover. Den ligger efter specialiserade modeller från ElevenLabs när det gäller känslomässigt spektrum och anpassad röstkloning. Kostnadsmässigt är TTS-1-1106 prissatt konkurrenskraftigt till $15 per 1M in-/utmatningstokens (med noll påslag på OrcaRouter), vilket motsvarar ungefär $0.015 per 1K tecken inmatning. Detta liknar Azures neurala TTS-nivåer.
De främsta avvägningarna är det begränsade röstvalet (ingen anpassning) och 4096‑teckengränsen. Användare som behöver en varumärkesspecifik röst måste välja en av de sex förinställningarna. Modellen accepterar inte heller SSML-taggar för finkornig kontroll över uttal eller betoning utöver grundläggande SSML-prosodielement. Den saknar även stöd för fleranvändardialog i en enda begäran – varje begäran producerar en röst. För dialog måste du skicka separata begäranden med olika röstparametrar och sy ihop ljudet på klientsidan.
Priset baseras på tokens – både indata och utdata – till en fast avgift på $15.00 per 1,000,000 tokens. En token motsvarar ungefär 0.75 tecken engelsk text för indata, och utdatatokens räknas som motsvarande antal genererade ljudprover (också till $15/1M tokens). Det finns inget extra påslag; OrcaRouter vidarebefordrar leverantörens pris exakt. Denna prismodell innebär att kostnaden skalar linjärt med mängden text som bearbetas och ljud som produceras. För en typisk indata på 1000 tecken är den totala kostnaden ungefär $0.02 (indata) + $0.02 (utdata) = $0.04 per begäran.
Strömningen i sig ändrar inte priset per token; du debiteras för samma antal tokens oavsett om svaret strömmas eller levereras som en enda klump. Cachelagring av upprepade förfrågningar på klientsidan kan spara kostnader genom att undvika dubbletter av API-anrop. OrcaRouter erbjuder inte cachelagring på serversidan för TTS-svar. Om din applikation ofta genererar samma text (t.ex. en standardhälsning) bör du förgenerera och cachelagra ljudet lokalt för att minimera utgifterna. Det finns inga volymrabatter eller prissegmentering; priset är fast per token.
Tänk dig en chattbot som läser upp meddelanden på 500 tecken. Varje meddelande skulle kosta: inmatning: 500 tecken ≈ 667 tokens → ~$0,01; utmatning: likaså ~$0,01; totalt ~$0,02 per meddelande. Vid 10 000 meddelanden per månad blir det $200. För en ljudbok på 50 000 ord (≈350 000 tecken inmatning) skulle kostnaden vara ungefär: inmatning $0,07, utmatning $0,07 → $0,14 totalt för boken. Observera dock att antalet tokens för utmatning kan vara högre på grund av ljudkodning; faktiska kostnader kan fördubblas. Testa alltid ett exempel och använd exakta tokenantal från API:et för att budgetera korrekt.
Nej. OrcaRouter tar exakt samma pris som den underliggande leverantören (OpenAI) för TTS-1-1106: $15 per 1 miljon indatatokens och $15 per 1 miljon utdatatokens. Det finns inga extra avgifter för att använda OrcaRouter-gatewayen. Denna transparenta prissättning gör det möjligt för utvecklare att komma åt OpenAIs TTS-modell utan någon kostnadsökning jämfört med att använda OpenAIs eget API direkt. Du betalar endast för tokenförbrukningen, och OrcaRouter lägger inte på några extra avgifter.
Du anropar modellen via standard OpenAI-kompatibel chat completion-slutpunkt på bas-URL:en https://api.orcarouter.ai/v1. Ställ in model-parametern till "openai/tts-1-1106". Förfrågningskroppen kräver ett input-fält som innehåller texten du vill konvertera, samt valfria fält som voice, response_format och speed (för uppspelningshastighet). Autentisering sker via en API-nyckel i Authorization-headern. Exempel med 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.
Viktiga begäranparametrar inkluderar: model (obligatorisk, sätt till "openai/tts-1-1106"), input (sträng, texten som ska talas), voice (sträng bland alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" eller "opus", standard mp3), speed (float, standard 1,0; intervall dokumenterat av OpenAI som 0,25 till 4,0), och stream (boolean, standard false). Ytterligare valfria parametrar inkluderar user, enligt OpenAI-konventioner. Stöds inte: functions, tools eller logprobs. För streaming, sätt stream: true, och svaret kommer att vara en serie SSE-händelser med ljuddata.
De obligatoriska fälten är model och input. Model måste vara exakt "openai/tts-1-1106". Input måste vara en icke‑tom sträng (upp till ~4096 tecken). Om du utelämnar voice använder API:t alloy som standard. Om du utelämnar response_format används mp3 som standard. Begäran måste skickas som JSON över HTTPS. OrcaRouter kräver en giltig API‑nyckel i Authorization‑huvudet med Bearer‑schemat. Det finns inget behov av att ange parametern text_type; vanlig text antas.
Om du för närvarande använder OpenAIs egen API-slutpunkt för TTS-1-1106, kräver migrering till OrcaRouter endast att du ändrar bas-URL från https://api.openai.com/v1 till https://api.orcarouter.ai/v1 och uppdaterar API-nyckeln till din OrcaRouter-nyckel. Modell-ID måste ha prefixet openai/ (dvs. använd "openai/tts-1-1106" istället för bara "tts-1-1106"). Alla andra parametrar (input, voice, response_format, etc.) förblir desamma. Inga kodändringar utöver slutpunkten och nyckeln behövs. Prissättningen förblir identisk, med noll påslag.
OpenAI erbjuder även TTS-1 (originalet) och TTS‑1‑HD. TTS-1-1106 är en iteration optimerad för lägre latens och streaming, medan TTS‑1‑HD erbjuder högre kvalitet på bekostnad av hastighet. TTS-1-1106 stöder samma sex röster och prispunkt. Jämfört med den äldre TTS-1-modellen har TTS-1-1106 förbättrad naturlighet och minskade artefakter, särskilt vid längre yttranden. För applikationer där ljudkvalitet är av största vikt och latens är mindre kritisk, kan TTS‑1‑HD vara att föredra; annars är TTS-1-1106 det rekommenderade valet för interaktiv användning.
ElevenLabs erbjuder omfattande röstkloning och känslokontroll, men till en högre kostnad per tecken (ungefär $0,03 per 1 000 tecken för deras basnivå). Azure Neural TTS har liknande prissättning som OpenAI (cirka $15 per 1 miljon tecken) och stöder över 100 röster och flera språk. TTS-1-1106 har ett mindre rösturval men enklare API och utmärkt latens. Om du behöver en anpassad varumärkesröst är ElevenLabs eller Azure bättre; för enbart engelska, låg latens, noll‑påslag via OrcaRouter är TTS-1-1106 stark.
Billigare TTS-alternativ kan finnas (t.ex. espeak‑ng eller vissa öppen källkodsmodeller som körs lokalt på CPU) men saknar oftast naturlighet. TTS-1-1106 är lämpligt när du behöver molnbaserad, högkvalitativ, låg-latens talgenerering utan att hantera infrastruktur. För mycket hög volym där kostnad är avgörande, överväg en anpassad lösning. Om din app bara behöver tillfälligt tal, är TTS-1-1106:s per-token-prissättning konkurrenskraftig. För icke-engelska språk eller anpassade röster kan andra modeller vara mer kostnadseffektiva.
TTS-1-1106:s huvudsakliga särskiljande egenskaper är dess hastighet (strömning på under en sekund) och dess tillgänglighet utan påslag via OrcaRouter. Den är en del av OpenAI-ekosystemet, så användare som redan integrerar GPT-modeller kan använda samma API-nyckel och infrastruktur. De sex förinställda rösterna är konsekventa och väl avstämda för förståelse. Modellens låga latens gör den idealisk för konversations-AI, medan SSML-stödet (grundläggande) ger viss kontroll över tempot. Däremot saknar den avancerade funktioner som känslomässigt tal, tidsstämplar på ordnivå eller anpassad röstträning – vilket är avvägningar för dess enkelhet och hastighet.
OpenAI-kompatibel — behåll det SDK du redan använder
https://api.orcarouter.ai/v1response_formatspeedvoice| per 1 milj. tecken | $15.00 |
|---|---|
| Valuta | USD |
| Den här modellen debiteras inte per token. Priset ovan gäller den enhet som faktiskt mäts och är det som dras vid avräkning. | |
Vad utvecklare säger den här veckan
GET /api/public/models/openai/tts-1-1106Öppna @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