OpenAI的TTS-1-1106文本转语音模型，可通过OrcaRouter以零加价实时流访问。
openai/tts-1-1106 是 OpenAI 于 2023 年 11 月发布的文本转语音模型。它利用神经网络从纯文本生成语音，旨在实现自然的语调、节奏和清晰度。该模型支持最多六种预设语音——alloy、echo、fable、onyx、nova、shimmer——每种都有独特的特色。输出可格式化为 MP3 或 Opus 音频。每次请求的输入文本长度限制约为 4096…
该模型主要支持英语文本，不过它也能处理其他使用拉丁字母的语言文本，但自然度各有不同。OpenAI尚未公布所支持语言的完整列表，但广泛已知的使用情况证实，对于英语、西班牙语、法语、德语、意大利语、葡萄牙语和日语（当使用拉丁字母书写时）表现良好。对于非拉丁字母的文字，如中文或阿拉伯语，输出质量可能会下降。如果用户的目标语言不在常见范围之内，应自行测试。
提供了六种预设声音：alloy、echo、fable、onyx、nova和shimmer。每种声音都有独特的音调和性别呈现（例如，alloy为中性、echo为男性化、fable为青春感、onyx为深沉、nova为温暖、shimmer为明亮）。通过设置请求中的voice参数来选择声音。不支持自定义声音克隆或微调功能；只能从这六种中选择。对于需要一致品牌声音的项目，可能需要评估哪个预设最符合预期的个性。
是的，TTS-1-1106支持通过服务器发送事件（SSE）进行流式传输。通过将stream参数设置为true，API会将音频数据作为一系列数据块返回，每个数据块包含生成的语音的一部分。这使得客户端几乎可以立即开始播放，从而将感知延迟降至最低。流式传输对需要即时语音反馈的对话式界面特别有用。请注意，流式传输可能会略微增加总带宽开销，但端到端延迟远低于等待完整响应。
TTS-1-1106有几个已知限制。首先，它无法可靠地生成唱歌或非言语发声（例如笑声、哭泣）。其次，预设语音不支持情感表达——语调始终保持一致，不随内容变化。第三，最大输入文本长度约为4096个字符；较长的内容必须拆分为多个请求并拼接起来。第四，缺乏背景噪音处理能力；该模型期望输入干净的文本。最后，对于英语以外的语言，性能可能不稳定。对于高质量的多语言需求，建议考虑专门的模型。
TTS-1-1106 在短到中等长度的英文句子上实现了接近人类的自然度。其神经架构产生了流畅的韵律、恰当的断句，并且人为痕迹极少。独立评估（在所给事实中未提供）通常将其列为通过商业API可用的顶级通用TTS模型之一。然而，非常长的文本偶尔会出现不自然的停顿或重音错误。总体而言，对于大多数对话和叙述场景，其输出具有令人信服的自然度。
延迟会随输入长度和网络条件而变化，但TTS-1-1106针对低端到端延迟进行了优化。一个100–200字符的典型请求在流式传输时，首个音频块可在500毫秒内返回。1000字符输入的完整响应时间通常低于2秒。这些数据取决于OrcaRouter的网络和服务器负载。流式传输能显著降低感知延迟，因为播放可以在整个音频生成之前开始。对于实时应用，强烈建议使用流式传输。
与较旧的TTS模型（如Tacotron或WaveNet）相比，TTS-1-1106通过REST API提供更快的推理速度和更简便的集成。在标准英语语音样本上，其质量通常与Amazon Polly（神经语音）和Google Cloud Text-to-Speech（WaveNet语音）的云端TTS持平或超越。在情感范围和自定义语音克隆方面，它落后于ElevenLabs的专用模型。在成本上，TTS-1-1106定价具有竞争力，为每1M输入/输出token 15美元（OrcaRouter上零加价），相当于每1K输入字符约0.015美元。这与Azure的神经TTS层级相近。
主要权衡在于有限的语音选择（无自定义选项）以及 4096 个字符的输入上限。需要品牌专属语音的用户必须从六种预设中挑选。此外，该模型不接受 SSML 标签以实现对发音或强调的精细控制（仅支持基本 SSML 韵律元素）。它还缺乏在单次请求中支持多说话人对话的功能——每次请求只生成一种语音。如需对话，必须分别发送带有不同语音参数的请求，并在客户端拼接音频。
定价基于令牌数量——包括输入和输出——统一费率为每1,000,000个令牌15.00美元。一个输入令牌大约对应0.75个英文字符，而输出令牌则按生成的等效音频样本数量计算（同样按每1M个令牌15美元计费）。没有额外加价；OrcaRouter完全按供应商费率传递。这种定价模式意味着成本与处理的文本量和生成的音频量呈线性关系。对于典型的1000字符输入，每次请求的总成本大约为0.02美元（输入）+ 0.02美元（输出）= 0.04美元。
流式传输本身不会改变每 token 的价格；无论响应是流式传输还是作为单个数据块交付，您都按相同数量的 token 计费。在客户端缓存重复的请求可以通过避免重复的 API 调用来节省成本。OrcaRouter 不为 TTS 响应提供服务器端缓存。如果您的应用程序经常生成相同的文本（例如，标准问候语），您应该预先生成音频并在本地缓存，以最大程度减少开支。没有批量折扣或分层定价；价格按 token 统一计算。
考虑一个朗读500字符消息的聊天机器人。每条消息的成本为：输入500字符≈667个token → 约$0.01；输出同理约$0.01；每条消息总计约$0.02。每月10,000条消息，则为$200。对于一本50,000词（≈350,000输入字符）的有声书，成本大致为：输入$0.07，输出$0.07 → 全书总计$0.14。但请注意，由于音频编码，输出token数量可能更高；实际成本可能翻倍。始终测试样本并使用API返回的精确token数量来准确预算。
不。OrcaRouter对TTS-1-1106的定价与底层提供商（OpenAI）完全相同：每100万输入令牌15美元，每100万输出令牌15美元。使用OrcaRouter网关不收取任何额外费用。这种透明的定价使开发者能够在不增加成本的情况下访问OpenAI的TTS模型，与直接使用OpenAI自己的API相比没有任何价格上涨。您只需支付令牌消耗费用，OrcaRouter不收取任何额外附加费。
你可以通过标准的兼容 OpenAI 的聊天补全端点来调用该模型，基础 URL 为 https://api.orcarouter.ai/v1。将模型参数设置为 "openai/tts-1-1106"。请求体需要一个 input 字段，包含你想要转换的文本，以及可选字段如 voice、response_format 和 speed（用于播放速率）。身份验证通过 Authorization 头中的 API 密钥完成。使用 curl 的示例：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
关键请求参数包括：model（必需，设置为"openai/tts-1-1106"）、input（字符串，要朗读的文本）、voice（字符串，可选值：alloy、echo、fable、onyx、nova、shimmer）、response_format（"mp3"或"opus"，默认为mp3）、speed（浮点数，默认为1.0；OpenAI文档明确的范围为0.25到4.0）以及stream（布尔值，默认为false）。其他可选参数包括user，遵循OpenAI惯例。不支持：functions、tools或logprobs。对于流式传输，设置stream: true，响应将是一系列包含音频数据的SSE事件。
最低必填字段为 model 和 input。model 必须精确为 "openai/tts-1-1106"。input 字段必须是非空字符串（最多约 4096 个字符）。如果省略 voice，API 默认使用 alloy。如果省略 response_format，默认使用 mp3。请求必须通过 HTTPS 以 JSON 格式发送。OrcaRouter 要求在 Authorization 请求头中使用 Bearer 方案提供有效的 API 密钥。无需指定 text_type 参数；默认使用纯文本。
_format is a parameter, I kept it as response_format, not translated._format是参数名，不翻译。_format is a parameter name, not translated. I'll output the translation._format如果您目前正在使用OpenAI自己的API端点（TTS-1-1106），迁移到OrcaRouter只需将基础URL从https://api.openai.com/v1更改为https://api.orcarouter.ai/v1，并将API密钥更新为您的OrcaRouter密钥。模型ID必须以openai/作为前缀（即使用"openai/tts-1-1106"而不是仅"tts-1-1106"）。所有其他参数（input, voice, response_format等）保持不变。除了端点和密钥外，无需更改任何代码。定价保持不变，零加价。
OpenAI 还提供 TTS-1（原始版本）和 TTS-1-HD。TTS-1-1106 是针对更低延迟和流式传输优化的迭代版本，而 TTS-1-HD 则以牺牲速度为代价提供更高质量。TTS-1-1106 支持相同的六种语音和定价。与较旧的 TTS-1 模型相比，TTS-1-1106 在自然度上有所提升，并减少了伪影，尤其在较长语音中表现更佳。在音频质量至关重要且延迟要求不高的情况下，TTS-1-HD 可能更合适；否则，对于交互式使用场景，推荐选择 TTS-1-1106。
ElevenLabs 提供强大的语音克隆和情感控制功能，但每字符成本较高（基础层级约每1000字符0.03美元）。Azure Neural TTS 定价与 OpenAI 相近（约每100万字符15美元），支持超过100种语音和多种语言。TTS-1-1106 的语音选择较少，但 API 更简洁，延迟表现优异。若需定制品牌语音，ElevenLabs 或 Azure 更优；若仅需英文、低延迟且通过 OrcaRouter 实现零加成访问，TTS-1-1106 更具优势。
可能存在更便宜的TTS替代方案（例如espeak‑ng或一些在CPU上本地运行的开源模型），但通常缺乏自然度。当您需要云端规模、高质量、低延迟的语音生成而无需管理基础设施时，TTS-1-1106是合适的选择。对于成本至关重要且量级非常大的场景，可考虑自定义解决方案。如果您的应用仅需偶尔的语音输出，TTS-1-1106的按token定价具有竞争力。对于非英语语言或自定义语音，其他模型可能更具成本效益。
TTS-1-1106的主要差异化优势在于其速度（亚秒级流式传输）以及通过OrcaRouter提供的零加价可用性。它是OpenAI生态系统的一部分，因此已经集成GPT模型的用户可以使用相同的API密钥和基础设施。六种预设语音一致且经过良好调校，易于理解。该模型的低延迟使其非常适合对话式AI，而SSML支持（基础级）允许对节奏进行一定控制。然而，它缺乏高级功能，如情感语音、词级时间戳或自定义语音训练——这些是其简洁性和速度所做出的权衡。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1response_formatspeedvoice| 每 1M 字符 | $15.00 |
|---|---|
| 货币 | USD |
| 该模型不按 token 计费。上方费率就是它实际的计量单位，也是结算时扣费的口径。 | |
本周开发者的讨论
@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