Mô hình chuyển văn bản thành giọng nói TTS-1-1106 của OpenAI, có thể truy cập qua OrcaRouter với chi phí không tăng thêm và phát trực tuyến thời gian thực.
openai/tts-1-1106 là mô hình chuyển văn bản thành giọng nói do OpenAI phát hành vào tháng 11 năm 2023. Mô hình này sử dụng mạng nơ-ron để tạo giọng nói từ văn bản thông thường, nhằm đạt được ngữ…
Mô hình này chủ yếu hỗ trợ văn bản tiếng Anh, mặc dù nó có thể xử lý văn bản bằng các ngôn ngữ khác sử dụng bảng chữ cái Latinh với mức độ tự nhiên khác nhau. OpenAI chưa công bố danh sách đầy đủ các ngôn ngữ được hỗ trợ, nhưng các ứng dụng phổ biến cho thấy hiệu suất mạnh mẽ đối với tiếng Anh, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Ý, tiếng Bồ Đào Nha và tiếng Nhật (khi được viết bằng hệ thống chữ Latinh). Đối với các hệ thống chữ viết không phải Latinh như tiếng Trung hoặc tiếng Ả Rập, chất lượng đầu ra có thể giảm. Người dùng nên kiểm tra ngôn ngữ mục tiêu của họ nếu nó nằm ngoài tập hợp phổ biến.
Sáu giọng nói mặc định có sẵn: alloy, echo, fable, onyx, nova, và shimmer. Mỗi giọng có một âm sắc và cách thể hiện giới tính riêng biệt (ví dụ, alloy là trung tính, echo là nam tính, fable là trẻ trung, onyx là trầm ấm, nova là ấm áp, shimmer là sáng sủa). Giọng nói được chọn bằng cách đặt tham số voice trong yêu cầu. Không có khả năng nhân bản giọng nói tùy chỉnh hoặc tinh chỉnh; bạn phải chọn từ sáu giọng này. Đối với các dự án yêu cầu giọng nói thương hiệu nhất quán, có thể cần phải đánh giá xem giọng mặc định nào phù hợp nhất với tính cách mong muốn.
Đúng vậy, TTS-1-1106 hỗ trợ phát trực tuyến thông qua sự kiện do máy chủ gửi (SSE). Bằng cách đặt tham số stream thành true, API trả về dữ liệu âm thanh dưới dạng một chuỗi các khối, mỗi khối chứa một phần của giọng nói đã được tạo. Điều này cho phép máy khách bắt đầu phát lại gần như ngay lập tức, giảm thiểu độ trễ cảm nhận. Phát trực tuyến đặc biệt hữu ích cho các giao diện hội thoại, nơi người dùng mong đợi phản hồi bằng lời nói ngay lập tức. Lưu ý rằng phát trực tuyến có thể làm tăng nhẹ tổng băng thông, nhưng độ trễ đầu cuối thấp hơn đáng kể so với việc chờ đợi phản hồi đầy đủ.
TTS-1-1106 có một số hạn chế đã biết. Thứ nhất, nó không thể tạo ra giọng hát hoặc các âm thanh không phải lời nói (ví dụ: tiếng cười, tiếng khóc) một cách đáng tin cậy. Thứ hai, các giọng đặt sẵn không hỗ trợ biểu đạt cảm xúc — sắc thái giọng vẫn nhất quán bất kể nội dung. Thứ ba, độ dài văn bản đầu vào tối đa khoảng 4096 ký tự; nội dung dài hơn phải được chia thành nhiều yêu cầu và ghép lại. Thứ tư, không có xử lý tiếng ồn nền; mô hình yêu cầu văn bản đầu vào sạch. Cuối cùng, hiệu suất đối với các ngôn ngữ khác ngoài tiếng Anh có thể không nhất quán. Đối với nhu cầu đa ngôn ngữ chất lượng cao, hãy cân nhắc các mô hình chuyên dụng.
TTS-1-1106 đạt được tính tự nhiên gần như con người cho các câu tiếng Anh ngắn đến trung bình. Kiến trúc mạng nơ-ron tạo ra ngữ điệu mượt mà, cách ngắt câu phù hợp và tối thiểu các hiện tượng máy móc. Các đánh giá độc lập (không được cung cấp trong các dữ kiện đã cho) thường xếp nó vào số các mô hình TTS đa năng hàng đầu có sẵn qua các API thương mại. Tuy nhiên, các văn bản rất dài đôi khi có thể có những khoảng dừng không tự nhiên hoặc các âm tiết bị nhấn sai. Nhìn chung, đối với hầu hết các kịch bản hội thoại và tường thuật, đầu ra có độ tự nhiên thuyết phục.
Độ trễ thay đổi theo độ dài đầu vào và điều kiện mạng, nhưng TTS-1-1106 được tối ưu hóa cho độ trễ đầu cuối thấp. Một yêu cầu điển hình với 100–200 ký tự sẽ trả về đoạn âm thanh đầu tiên trong vòng dưới 500 ms khi được phát trực tuyến. Thời gian phản hồi đầy đủ cho đầu vào 1000‑character thường dưới 2 giây. Các con số này phụ thuộc vào mạng và tải máy chủ của OrcaRouter. Phát trực tuyến làm giảm đáng kể độ trễ cảm nhận vì có thể bắt đầu phát lại trước khi toàn bộ âm thanh được tạo ra. Đối với các ứng dụng thời gian thực, phát trực tuyến được khuyến nghị mạnh mẽ.
So với các mô hình TTS cũ hơn như Tacotron hay WaveNet, TTS-1-1106 cung cấp tốc độ suy luận nhanh hơn và tích hợp dễ dàng hơn thông qua REST API. Nhìn chung, mô hình này đạt hoặc vượt chất lượng của các dịch vụ TTS đám mây từ Amazon Polly (giọng nói neural) và Google Cloud Text-to-Speech (giọng nói WaveNet) trên các mẫu giọng nói tiếng Anh chuẩn. Tuy nhiên, nó thua kém các mô hình chuyên biệt từ ElevenLabs về phạm vi cảm xúc và khả năng nhân bản giọng nói tùy chỉnh. Về chi phí, TTS-1-1106 được định giá cạnh tranh ở mức 15 USD cho mỗi 1 triệu token đầu vào/đầu ra (không có phụ phí trên OrcaRouter), tương đương khoảng 0,015 USD cho mỗi 1.000 ký tự đầu vào. Mức giá này tương tự như các gói TTS neural của Azure.
Các đánh đổi chính là lựa chọn giọng nói hạn chế (không có tùy chỉnh) và giới hạn đầu vào 4096 ký tự. Người dùng cần một giọng nói thương hiệu cụ thể phải chọn một trong sáu giọng đặt trước. Ngoài ra, mô hình không chấp nhận thẻ SSML để kiểm soát chi tiết cách phát âm hoặc nhấn mạnh ngoài các yếu tố ngữ điệu SSML cơ bản. Nó cũng thiếu hỗ trợ hội thoại nhiều người nói trong một yêu cầu duy nhất—mỗi yêu cầu chỉ tạo ra một giọng. Đối với hội thoại, bạn phải gửi các yêu cầu riêng biệt với các tham số giọng nói khác nhau và ghép âm thanh ở phía máy khách.
Giá được tính dựa trên token—cả đầu vào và đầu ra—với mức giá cố định $15.00 cho mỗi 1.000.000 token. Một token tương ứng khoảng 0,75 ký tự văn bản tiếng Anh đối với đầu vào, và token đầu ra được tính là số lượng mẫu âm thanh được tạo ra tương đương (cũng với giá $15/1M token). Không có phụ phí nào khác; OrcaRouter truyền trực tiếp mức giá của nhà cung cấp. Mô hình định giá này có nghĩa là chi phí tăng tuyến tính với lượng văn bản được xử lý và âm thanh được tạo ra. Đối với đầu vào điển hình 1000 ký tự, tổng chi phí xấp xỉ $0,02 (đầu vào) + $0,02 (đầu ra) = $0,04 mỗi yêu cầu.
Streaming tự nó không thay đổi giá cho mỗi token; bạn vẫn bị tính phí cho cùng một số token bất kể phản hồi được stream hay được gửi dưới dạng một khối duy nhất. Việc lưu cache các yêu cầu lặp lại ở phía client có thể tiết kiệm chi phí bằng cách tránh các lời gọi API trùng lặp. OrcaRouter không hỗ trợ lưu cache phía server cho các phản hồi TTS. Nếu ứng dụng của bạn thường xuyên tạo ra cùng một văn bản (ví dụ: một lời chào tiêu chuẩn), bạn nên tạo trước và lưu cache âm thanh cục bộ để giảm thiểu chi phí. Không có giảm giá theo khối lượng hoặc giá theo bậc; tỷ lệ là cố định cho mỗi token.
Xem xét một chatbot đọc to các tin nhắn dài 500 ký tự. Mỗi tin nhắn sẽ có chi phí đầu vào: 500 ký tự ≈ 667 token → ~$0.01; đầu ra: tương tự ~$0.01; tổng cộng ~$0.02 mỗi tin nhắn. Với 10.000 tin nhắn mỗi tháng, chi phí là $200. Đối với một sách nói 50.000 từ (≈350.000 ký tự đầu vào), chi phí ước tính: đầu vào $0.07, đầu ra $0.07 → tổng cộng $0.14 cho cuốn sách. Tuy nhiên, lưu ý rằng số lượng token đầu ra có thể cao hơn do mã hóa âm thanh; chi phí thực tế có thể tăng gấp đôi. Luôn kiểm tra mẫu và sử dụng số lượng token chính xác do API trả về để dự toán ngân sách chính xác.
Không. OrcaRouter tính phí giống hệt với nhà cung cấp cơ bản (OpenAI) cho TTS-1-1106: 15 đô la cho mỗi 1 triệu token đầu vào và 15 đô la cho mỗi 1 triệu token đầu ra. Không có khoản phí bổ sung nào khi sử dụng cổng OrcaRouter. Mức giá minh bạch này cho phép các nhà phát triển truy cập mô hình TTS của OpenAI mà không làm tăng chi phí so với việc sử dụng trực tiếp API của OpenAI. Bạn chỉ phải trả cho lượng token tiêu thụ, và OrcaRouter không thêm bất kỳ khoản phụ phí nào.
Bạn gọi model bằng điểm cuối chat completions tương thích với OpenAI tiêu chuẩn tại base URL https://api.orcarouter.ai/v1. Đặt tham số model thành "openai/tts-1-1106". Nội dung yêu cầu cần có trường input chứa văn bản muốn chuyển đổi, và các trường tùy chọn như voice, response_format, và speed (tốc độ phát). Xác thực được thực hiện qua API key trong header Authorization. Ví dụ với 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.
Các tham số yêu cầu chính bao gồm: model (bắt buộc, đặt thành "openai/tts-1-1106"), input (chuỗi, văn bản cần nói), voice (chuỗi, một trong các giá trị alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" hoặc "opus", mặc định là mp3), speed (số thực, mặc định 1.0; phạm vi theo tài liệu OpenAI là 0.25 đến 4.0), và stream (boolean, mặc định false). Các tham số tùy chọn bổ sung bao gồm user, theo quy ước của OpenAI. Không hỗ trợ: functions, tools, hoặc logprobs. Đối với streaming, đặt stream: true, và phản hồi sẽ là một chuỗi các sự kiện SSE với dữ liệu âm thanh.
Các trường bắt buộc tối thiểu là model và input. Model phải chính xác là "openai/tts-1-1106". Trường input phải là một chuỗi không rỗng (tối đa khoảng 4096 ký tự). Nếu bạn bỏ qua voice, API sẽ mặc định là alloy. Nếu bạn bỏ qua response_format, nó sẽ mặc định là mp3. Yêu cầu phải được gửi dưới dạng JSON qua HTTPS. OrcaRouter yêu cầu một API key hợp lệ được đặt trong header Authorization với schema Bearer. Không cần chỉ định tham số text_type; văn bản thuần được giả định.
Nếu bạn đang sử dụng endpoint API của OpenAI cho TTS-1-1106, việc di chuyển sang OrcaRouter chỉ yêu cầu thay đổi base URL từ https://api.openai.com/v1 sang https://api.orcarouter.ai/v1, và cập nhật API key thành key OrcaRouter của bạn. Model ID phải được thêm tiền tố openai/ (tức là sử dụng "openai/tts-1-1106" thay vì chỉ "tts-1-1106"). Tất cả các tham số khác (input, voice, response_format, v.v.) vẫn giữ nguyên. Không cần thay đổi code nào ngoài endpoint và key. Giá vẫn giữ nguyên, không có phí chênh lệch.
OpenAI cũng cung cấp TTS-1 (bản gốc) và TTS‑1‑HD. TTS-1-1106 là phiên bản được tối ưu hóa cho độ trễ thấp hơn và phát trực tuyến, trong khi TTS‑1‑HD cung cấp chất lượng cao hơn với chi phí về tốc độ. TTS-1-1106 hỗ trợ sáu giọng nói và mức giá tương tự. So với mô hình TTS-1 cũ hơn, TTS-1-1106 có tính tự nhiên được cải thiện và giảm các tạo tác, đặc biệt là trong các phát biểu dài hơn. Đối với các ứng dụng mà chất lượng âm thanh là tối quan trọng và độ trễ ít quan trọng hơn, TTS‑1‑HD có thể là lựa chọn ưu tiên; nếu không, TTS-1-1106 là lựa chọn được khuyến nghị cho sử dụng tương tác.
ElevenLabs cung cấp khả năng nhân bản giọng nói và kiểm soát cảm xúc mở rộng, nhưng với chi phí per‑character cao hơn (khoảng $0,03 cho 1K ký tự ở gói cơ bản). Azure Neural TTS có giá tương tự OpenAI (khoảng $15 cho 1M ký tự) và hỗ trợ hơn 100 giọng nói cùng nhiều ngôn ngữ. TTS-1-1106 có lựa chọn giọng nói nhỏ hơn nhưng API đơn giản hơn và độ trễ tuyệt vời. Nếu bạn cần một giọng thương hiệu tùy chỉnh, ElevenLabs hoặc Azure là lựa chọn tốt hơn; đối với truy cập English‑only, độ trễ thấp, không tăng giá qua OrcaRouter, TTS-1-1106 là mạnh mẽ.
Có thể có các lựa chọn TTS rẻ hơn (ví dụ: espeak‑ng hoặc một số mô hình mã nguồn mở chạy cục bộ trên CPU) nhưng thường thiếu độ tự nhiên. TTS-1-1106 phù hợp khi bạn cần tạo giọng nói với khả năng mở rộng đám mây, chất lượng cao, độ trễ thấp mà không cần quản lý hạ tầng. Đối với khối lượng rất lớn mà chi phí là yếu tố quan trọng, hãy cân nhắc giải pháp tùy chỉnh. Nếu ứng dụng của bạn chỉ cần giọng nói không thường xuyên, mức giá trên mỗi token của TTS-1-1106 có tính cạnh tranh. Đối với các ngôn ngữ không phải tiếng Anh hoặc giọng nói tùy chỉnh, các mô hình khác có thể tiết kiệm chi phí hơn.
Các điểm khác biệt chính của TTS-1-1106 là tốc độ (streaming dưới một giây) và khả năng sẵn sàng miễn phí đánh dấu qua OrcaRouter. Nó là một phần của hệ sinh thái OpenAI, vì vậy người dùng đã tích hợp các mô hình GPT có thể sử dụng cùng một khóa API và cơ sở hạ tầng. Sáu giọng nói được thiết lập sẵn rất nhất quán và được tinh chỉnh tốt để dễ hiểu. Độ trễ thấp của mô hình khiến nó trở nên lý tưởng cho AI đàm thoại, trong khi hỗ trợ SSML (cơ bản) cho phép kiểm soát một phần nhịp độ. Tuy nhiên, nó thiếu các tính năng nâng cao như giọng nói có cảm xúc, dấu thời gian cấp từ, hoặc đào tạo giọng nói tùy chỉnh – đây là những đánh đổi để có sự đơn giản và tốc độ.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1response_formatspeedvoice| mỗi 1M ký tự | $15.00 |
|---|---|
| Tiền tệ | USD |
| Mô hình này không tính phí theo token. Mức giá ở trên là đơn vị đo thực tế và cũng là đơn vị bị trừ khi thanh toán. | |
Điều các nhà phát triển đang nói tuần này
GET /api/public/models/openai/tts-1-1106Mở @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