โมเดลข้อความเป็นเสียง TTS-1-1106 ของ OpenAI ที่เข้าถึงได้ผ่าน OrcaRouter โดยไม่มีค่าธรรมเนียมเพิ่มเติม พร้อมสตรีมมิ่งแบบเรียลไทม์
openai/tts-1-1106 เป็นโมเดลแปลงข้อความเป็นเสียงพูดที่ OpenAI เปิดตัวในเดือนพฤศจิกายน 2023 มันใช้โครงข่ายประสาทเทียมในการสร้างเสียงพูดจากข้อความธรรมดา โดยมุ่งหวังให้มีน้ำเสียง จังหวะ…
โมเดลรองรับข้อความภาษาอังกฤษเป็นหลัก แม้ว่าจะสามารถประมวลผลข้อความในภาษาอื่นที่ใช้อักษรละตินได้ด้วยระดับความเป็นธรรมชาติที่แตกต่างกัน OpenAI ยังไม่ได้เผยแพร่รายการภาษาที่รองรับอย่างครบถ้วน แต่การใช้งานที่เป็นที่รู้จักอย่างแพร่หลายยืนยันถึงประสิทธิภาพที่แข็งแกร่งสำหรับภาษาอังกฤษ สเปน ฝรั่งเศส เยอรมัน อิตาลี โปรตุเกส และญี่ปุ่น (เมื่อเขียนด้วยอักษรละติน) สำหรับสคริปต์ที่ไม่ใช่ละติน เช่น จีนหรืออาหรับ คุณภาพของผลลัพธ์อาจลดลง ผู้ใช้ควรทดสอบภาษาเป้าหมายหากภาษานั้นอยู่นอกเหนือจากชุดภาษาทั่วไป
เสียงสำเร็จรูปที่มีให้เลือก 6 เสียง ได้แก่ alloy, echo, fable, onyx, nova และ shimmer แต่ละเสียงมีโทนและเพศที่แตกต่างกัน (เช่น alloy เป็นกลาง, echo เป็นชาย, fable เป็นหนุ่มสาว, onyx ทุ้มลึก, nova อบอุ่น, shimmer สดใส) การเลือกเสียงทำได้โดยกำหนดพารามิเตอร์ voice ในคำขอ ไม่มีความสามารถในการโคลนเสียงหรือปรับแต่งเสียงเฉพาะบุคคล คุณต้องเลือกจากทั้งหกเสียงนี้ สำหรับโปรเจกต์ที่ต้องการเสียงแบรนด์ที่สม่ำเสมอ อาจจำเป็นต้องประเมินว่าเสียงสำเร็จรูปใดเหมาะสมกับบุคลิกที่ต้องการมากที่สุด
ใช่ TTS-1-1106 รองรับการสตรีมผ่าน server-sent events (SSE) โดยการตั้งค่าพารามิเตอร์ stream เป็น true API จะส่งคืนข้อมูลเสียงเป็นลำดับของชิ้นส่วน แต่ละชิ้นส่วนมีส่วนหนึ่งของคำพูดที่สร้างขึ้น ซึ่งช่วยให้ไคลเอนต์สามารถเริ่มเล่นได้เกือบจะทันที ลดความหน่วงที่รับรู้ได้ การสตรีมมีประโยชน์อย่างยิ่งสำหรับอินเทอร์เฟซการสนทนาที่ผู้ใช้คาดหวังการตอบกลับด้วยเสียงทันที โปรดทราบว่าการสตรีมอาจเพิ่มค่าใช้จ่ายแบนด์วิธรวมเล็กน้อย แต่ความหน่วงจากต้นทางถึงปลายทางต่ำกว่าการรอการตอบกลับทั้งหมดอย่างมาก
TTS-1-1106 มีข้อจำกัดที่ทราบหลายประการ ประการแรก ไม่สามารถสร้างเสียงร้องเพลงหรือเสียงที่ไม่ใช่คำพูด (เช่น เสียงหัวเราะ เสียงร้องไห้) ได้อย่างน่าเชื่อถือ ประการที่สอง เสียงที่ตั้งไว้ล่วงหน้าไม่รองรับการแสดงอารมณ์ — น้ำเสียงยังคงสม่ำเสมอไม่ว่าจะมีเนื้อหาอย่างไร ประการที่สาม ความยาวข้อความอินพุตสูงสุดประมาณ 4096 อักขระ เนื้อหาที่ยาวกว่าต้องแบ่งเป็นหลายคำขอแล้วนำมาต่อกัน ประการที่สี่ ไม่มีการจัดการเสียงรบกวนพื้นหลัง โมเดลต้องการข้อความอินพุตที่สะอาด ประการสุดท้าย ประสิทธิภาพสำหรับภาษาอื่นที่ไม่ใช่ภาษาอังกฤษอาจไม่สม่ำเสมอ สำหรับความต้องการหลากภาษาคุณภาพสูง ควรพิจารณาโมเดลเฉพาะทาง
TTS-1-1106 ให้ความเป็นธรรมชาติที่ใกล้เคียงมนุษย์สำหรับประโยคภาษาอังกฤษความยาวสั้นถึงปานกลาง สถาปัตยกรรมโครงข่ายประสาทเทียมสร้างการพูดที่มีจังหวะและน้ำเสียงที่ราบรื่น การแบ่งวรรคตอนที่เหมาะสม และสิ่งบกพร่องแบบหุ่นยนต์น้อยที่สุด การประเมินที่เป็นอิสระ (ซึ่งไม่ได้ระบุในข้อเท็จจริงที่ให้มา) โดยทั่วไปแล้วจัดให้มันอยู่ในกลุ่มโมเดล TTS เอนกประสงค์ชั้นนำที่มีให้บริการผ่าน API เชิงพาณิชย์ อย่างไรก็ตาม ข้อความที่ยาวมากอาจแสดงให้เห็นถึงการหยุดที่ไม่เป็นธรรมชาติหรือการเน้นพยางค์ที่ผิดในบางครั้ง โดยรวมแล้ว สำหรับสถานการณ์การสนทนาและการบรรยายส่วนใหญ่ ผลลัพธ์ที่ได้มีความเป็นธรรมชาติอย่างน่าเชื่อถือ
เวลาแฝงแตกต่างกันไปตามความยาวของอินพุตและสภาพเครือข่าย แต่ TTS-1-1106 ได้รับการปรับให้เหมาะสมเพื่อให้มีความหน่วงแบบ end‑to‑end ต่ำ โดยทั่วไปแล้วคำขอที่มีความยาว 100–200 ตัวอักษรจะส่งคืนส่วนแรกของเสียงภายใน 500 มิลลิวินาทีเมื่อใช้การสตรีม เวลาในการตอบสนองเต็มรูปแบบสำหรับอินพุตที่มีความยาว 1000 ตัวอักษรมักจะต่ำกว่า 2 วินาที ตัวเลขเหล่านี้ขึ้นอยู่กับเครือข่ายและโหลดของเซิร์ฟเวอร์ของ OrcaRouter การสตรีมช่วยลดเวลาแฝงที่รับรู้ได้อย่างมากเนื่องจากการเล่นสามารถเริ่มก่อนที่เสียงทั้งหมดจะถูกสร้างขึ้น สำหรับแอปพลิเคชันแบบเรียลไทม์ แนะนำให้ใช้การสตรีมอย่างยิ่ง
เมื่อเปรียบเทียบกับโมเดล TTS รุ่นเก่าอย่าง Tacotron หรือ WaveNet แล้ว TTS-1-1106 เสนอการอนุมานที่เร็วกว่าและการผสานรวมที่ง่ายขึ้นผ่าน REST API โดยทั่วไปแล้วจะมีคุณภาพเทียบเท่าหรือเหนือกว่า TTS บนคลาวด์จาก Amazon Polly (เสียงแบบ neural) และ Google Cloud Text-to-Speech (เสียง WaveNet) สำหรับตัวอย่างเสียงภาษาอังกฤษมาตรฐาน อย่างไรก็ตามยังตามหลังโมเดลเฉพาะทางจาก ElevenLabs ในด้านช่วงอารมณ์และการโคลนเสียงที่กำหนดเอง ในด้านต้นทุน TTS-1-1106 มีราคาที่แข่งขันได้ที่ $15 ต่อ 1M input/output tokens (ไม่มีค่าธรรมเนียมเพิ่มเติมบน OrcaRouter) ซึ่งคิดเป็นประมาณ $0.015 ต่อ 1K ตัวอักษรของ input ซึ่งใกล้เคียงกับระดับเสียง neural ของ Azure
ข้อแลกเปลี่ยนหลักคือการเลือกเสียงที่มีจำกัด (ไม่มีการปรับแต่ง) และข้อจำกัดอินพุตที่ 4,096 ตัวอักษร ผู้ใช้ที่ต้องการเสียงเฉพาะแบรนด์ต้องเลือกหนึ่งในหกเสียงที่กำหนดไว้ล่วงหน้า นอกจากนี้ โมเดลไม่รองรับแท็ก SSML สำหรับการควบคุมการออกเสียงหรือการเน้นย้ำอย่างละเอียดนอกเหนือจากองค์ประกอบพื้นฐานของ SSML ด้านจังหวะ อีกทั้งยังขาดการสนับสนุนบทสนทนาหลายผู้พูดในคำขอเดียว—แต่ละคำขอจะสร้างเสียงเดียว สำหรับบทสนทนา คุณต้องส่งคำขอแยกกันโดยใช้พารามิเตอร์เสียงที่แตกต่างกันและต่อเสียงฝั่งไคลเอนต์
ราคาคำนวณจากโทเค็น—ทั้งอินพุตและเอาต์พุต—ในอัตราแบนที่ $15.00 ต่อ 1,000,000 โทเค็น หนึ่งโทเค็นมีค่าประมาณเท่ากับ 0.75 ตัวอักษรของข้อความภาษาอังกฤษสำหรับอินพุต และโทเค็นเอาต์พุตจะนับเป็นจำนวนตัวอย่างเสียงที่สร้างขึ้นเทียบเท่า (ในอัตรา $15/1M โทเค็นเช่นกัน) ไม่มีค่าธรรมเนียมเพิ่มเติม OrcaRouter ส่งผ่านอัตราของผู้ให้บริการตามที่ได้รับ โมเดลราคานี้หมายความว่าต้นทุนจะเพิ่มขึ้นเป็นเส้นตรงตามปริมาณข้อความที่ประมวลผลและเสียงที่ผลิต สำหรับอินพุตทั่วไป 1000‑ตัวอักษร ต้นทุนรวมประมาณ $0.02 (อินพุต) + $0.02 (เอาต์พุต) = $0.04 ต่อคำขอ
การสตรีมมิ่งเองไม่ได้เปลี่ยนราคาต่อโทเค็น คุณจะถูกเรียกเก็บเงินตามจำนวนโทเค็นที่เท่ากัน ไม่ว่าการตอบกลับจะถูกสตรีมหรือส่งมาเป็นก้อนเดียวก็ตาม การแคชคำขอที่ซ้ำกันในฝั่งไคลเอ็นต์สามารถประหยัดค่าใช้จ่ายโดยหลีกเลี่ยงการเรียก API ซ้ำ OrcaRouter ไม่มีบริการแคชฝั่งเซิร์ฟเวอร์สำหรับการตอบกลับ TTS หากแอปพลิเคชันของคุณสร้างข้อความเดิมบ่อยครั้ง (เช่น คำทักทายมาตรฐาน) คุณควรสร้างเสียงล่วงหน้าและแคชไว้ในเครื่องเพื่อลดค่าใช้จ่าย ไม่มีส่วนลดตามปริมาณหรือการกำหนดราคาแบบขั้นบันได อัตราคิดเป็นอัตราคงที่ต่อโทเค็น
พิจารณาแชทบอทที่อ่านข้อความความยาว 500 ตัวอักษรออกเสียง แต่ละข้อความจะมีต้นทุน: input: 500 ตัวอักษร ≈ 667 โทเค็น → ~$0.01; output: คล้ายกัน ~$0.01; รวม ~$0.02 ต่อข้อความ ที่ 10,000 ข้อความต่อเดือน คิดเป็น $200 สำหรับหนังสือเสียงที่มี 50,000 คำ (≈350,000 ตัวอักษร input) ต้นทุนโดยประมาณ: input $0.07, output $0.07 → รวม $0.14 สำหรับหนังสือเล่มนั้น อย่างไรก็ตาม โปรดทราบว่าจำนวนโทเค็น output อาจสูงขึ้นเนื่องจากการเข้ารหัสเสียง ต้นทุนจริงอาจเพิ่มเป็นสองเท่า ควรทดสอบตัวอย่างและใช้จำนวนโทเค็นที่แน่นอนที่ API ส่งคืนมาเพื่อวางงบประมาณอย่างถูกต้อง
ไม่ OrcaRouter คิดราคาเท่ากับผู้ให้บริการต้นทาง (OpenAI) สำหรับ TTS-1-1106 ทุกประการ: $15 ต่อ 1 ล้าน input tokens และ $15 ต่อ 1 ล้าน output tokens ไม่มีค่าธรรมเนียมเพิ่มเติมใดๆ สำหรับการใช้เกตเวย์ OrcaRouter การกำหนดราคาแบบโปร่งใสนี้ช่วยให้นักพัฒนาเข้าถึงโมเดล TTS ของ OpenAI โดยไม่มีต้นทุนเพิ่มขึ้นเมื่อเทียบกับการใช้ API ของ OpenAI โดยตรง คุณจ่ายเฉพาะปริมาณ token ที่ใช้ และ OrcaRouter ไม่เพิ่มค่าธรรมเนียมพิเศษใดๆ
คุณเรียกใช้โมเดลโดยใช้ปลายทาง chat completions ที่เข้ากันได้กับ OpenAI มาตรฐานที่ base URL https://api.orcarouter.ai/v1 ตั้งค่าพารามิเตอร์ model เป็น "openai/tts-1-1106" ตัว request body ต้องมีฟิลด์ input ที่มีข้อความที่คุณต้องการแปลง และฟิลด์เสริมเช่น voice, response_format, และ speed (สำหรับอัตราการเล่น) การตรวจสอบสิทธิ์ทำผ่าน API key ในส่วนหัว Authorization ตัวอย่างด้วย 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
พารามิเตอร์คำขอหลักประกอบด้วย: model (จำเป็น, ตั้งค่าเป็น "openai/tts-1-1106"), input (สตริง, ข้อความที่จะพูด), voice (สตริง จาก alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" หรือ "opus", ค่าเริ่มต้น mp3), speed (ทศนิยม, ค่าเริ่มต้น 1.0; ช่วงที่ OpenAI กำหนดไว้คือ 0.25 ถึง 4.0), และ stream (บูลีน, ค่าเริ่มต้น false) พารามิเตอร์เพิ่มเติมที่ไม่บังคับรวมถึง user ตามแบบแผนของ OpenAI ไม่รองรับ: functions, tools, หรือ logprobs สำหรับการสตรีม ให้ตั้งค่า stream: true และการตอบกลับจะเป็นชุดของเหตุการณ์ SSE พร้อมข้อมูลเสียง
ฟิลด์ที่จำเป็นขั้นต่ำคือ model และ input model ต้องเป็น "openai/tts-1-1106" ทุกประการ ฟิลด์ input ต้องเป็นสตริงที่ไม่ว่างเปล่า (สูงสุดประมาณ 4096 ตัวอักษร) หากละเว้น voice API จะใช้ค่าเริ่มต้นเป็น alloy หากละเว้น response_format จะใช้ค่าเริ่มต้นเป็น mp3 คำขอต้องส่งเป็น JSON ผ่าน HTTPS OrcaRouter ต้องใช้คีย์ API ที่ถูกต้องวางในส่วนหัว Authorization ด้วยรูปแบบ Bearer ไม่จำเป็นต้องระบุพารามิเตอร์ text_type; จะถือว่าเป็นข้อความธรรมดา
หากคุณกำลังใช้ API endpoint ของ OpenAI สำหรับ TTS-1-1106 อยู่ การย้ายไปใช้ OrcaRouter ต้องเปลี่ยน base URL จาก https://api.openai.com/v1 เป็น https://api.orcarouter.ai/v1 และอัปเดต API key เป็น OrcaRouter key ของคุณเท่านั้น model ID ต้องมีคำนำหน้า openai/ (เช่น ใช้ "openai/tts-1-1106" แทน "tts-1-1106") พารามิเตอร์อื่นๆ (input, voice, response_format ฯลฯ) ยังคงเหมือนเดิม ไม่จำเป็นต้องเปลี่ยนแปลงโค้ดนอกจาก endpoint และ key การกำหนดราคายังคงเท่าเดิม โดยไม่มีส่วนเพิ่ม
OpenAI ยังมี TTS-1 (รุ่นดั้งเดิม) และ TTS‑1‑HD ด้วย TTS-1-1106 เป็นรุ่นที่พัฒนาขึ้นเพื่อให้มีความหน่วงต่ำและรองรับการสตรีมมิ่งได้ดีขึ้น ส่วน TTS‑1‑HD ให้คุณภาพเสียงที่สูงกว่าแต่แลกกับความเร็ว TTS-1-1106 รองรับเสียงพูดหกแบบและราคาเดียวกัน เมื่อเทียบกับโมเดล TTS-1 รุ่นเก่า TTS-1-1106 มีความเป็นธรรมชาติที่ดีขึ้นและมีสิ่งรบกวนน้อยลง โดยเฉพาะในประโยคที่ยาวขึ้น สำหรับแอปพลิเคชันที่คุณภาพเสียงมีความสำคัญสูงและความหน่วงไม่สำคัญมาก TTS‑1‑HD อาจเป็นตัวเลือกที่ดีกว่า มิฉะนั้น TTS-1-1106 เป็นตัวเลือกที่แนะนำสำหรับการใช้งานแบบโต้ตอบ
ElevenLabs มีบริการโคลนเสียงและการควบคุมอารมณ์ที่ครอบคลุม แต่มีต้นทุนต่อตัวอักษรที่สูงกว่า (ประมาณ $0.03 ต่อ 1K ตัวอักษรสำหรับระดับพื้นฐาน) Azure Neural TTS มีราคาใกล้เคียงกับ OpenAI (ประมาณ $15 ต่อ 1M ตัวอักษร) และรองรับเสียงมากกว่า 100 เสียงและหลายภาษา TTS-1-1106 มีตัวเลือกเสียงน้อยกว่า แต่ API เรียบง่ายกว่าและมีความหน่วงเวลาที่ยอดเยี่ยม หากคุณต้องการเสียงแบรนด์ที่กำหนดเอง ElevenLabs หรือ Azure จะดีกว่า สำหรับการเข้าถึงเฉพาะภาษาอังกฤษที่มีความหน่วงต่ำ ไม่มีส่วนเพิ่มราคาผ่าน OrcaRouter นั้น TTS-1-1106 มีความแข็งแกร่ง
อาจมีทางเลือก TTS ที่ถูกกว่า (เช่น espeak‑ng หรือโมเดลโอเพนซอร์สบางตัวที่ทำงานบน CPU ในเครื่อง) แต่มักขาดความเป็นธรรมชาติ TTS-1-1106 เหมาะสมเมื่อคุณต้องการการสร้างเสียงพูดคุณภาพสูง หน่วงเวลาต่ำ ในระดับคลาวด์ โดยไม่ต้องจัดการโครงสร้างพื้นฐาน สำหรับปริมาณที่สูงมากซึ่งต้นทุนมีความสำคัญ ให้พิจารณาโซลูชันแบบกำหนดเอง หากแอปของคุณต้องการเสียงพูดเป็นครั้งคราวเท่านั้น การกำหนดราคาต่อโทเค็นของ TTS-1-1106 ก็มีการแข่งขัน สำหรับภาษาที่ไม่ใช่ภาษาอังกฤษหรือเสียงที่กำหนดเอง โมเดลอื่นอาจคุ้มทุนมากกว่า
ข้อแตกต่างหลักของ TTS-1-1106 คือความเร็ว (การสตรีมแบบต่ำกว่าหนึ่งวินาที) และความพร้อมใช้งานแบบไม่มีส่วนเพิ่มผ่าน OrcaRouter มันเป็นส่วนหนึ่งของระบบนิเวศ OpenAI ดังนั้นผู้ใช้ที่รวมโมเดล GPT อยู่แล้วสามารถใช้คีย์ API และโครงสร้างพื้นฐานเดียวกันได้ เสียงที่ตั้งไว้ล่วงหน้าหกเสียงมีความสม่ำเสมอและได้รับการปรับแต่งอย่างดีเพื่อความเข้าใจ ความหน่วงต่ำของโมเดลทำให้เหมาะสำหรับ AI เชิงสนทนา ในขณะที่การรองรับ SSML (พื้นฐาน) ช่วยให้ควบคุมจังหวะการพูดได้บ้าง อย่างไรก็ตาม มันขาดคุณสมบัติขั้นสูงเช่นการพูดแบบมีอารมณ์, การประทับเวลาระดับคำ, หรือการฝึกเสียงแบบกำหนดเอง – ซึ่งเป็นการแลกเปลี่ยนเพื่อความเรียบง่ายและความเร็ว
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1response_formatspeedvoice| ต่อ 1 ล้านอักขระ | $15.00 |
|---|---|
| สกุลเงิน | USD |
| โมเดลนี้ไม่ได้คิดค่าบริการตามโทเค็น อัตราด้านบนคือหน่วยที่วัดจริงและเป็นหน่วยที่ใช้หักค่าบริการ | |
สิ่งที่นักพัฒนาพูดถึงในสัปดาห์นี้
GET /api/public/models/openai/tts-1-1106เปิด @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