OpenAI的TTS-1-1106文字轉語音模型，可透過OrcaRouter以零加成即時串流存取。
openai/tts-1-1106 是 OpenAI 於 2023 年 11 月推出的文字轉語音模型。它使用神經網路從純文字生成語音，目標是達到自然的語調、節奏與清晰度。該模型支援最多六種預設語音——alloy、echo、fable、onyx、nova、shimmer——各自帶有獨特風格。輸出可以格式化為 MP3 或 Opus 音訊。每次請求的輸入文字長度上限約為 4096…
此模型主要支援英文文本，但也能以不同程度的自然度處理其他使用拉丁字母的語言。OpenAI尚未公佈完整的支援語言列表，但廣泛的使用經驗證實其在英文、西班牙文、法文、德文、義大利文、葡萄牙文及（以拉丁字母書寫的）日文上表現優異。對於非拉丁字母的書寫系統（如中文或阿拉伯文），輸出品質可能會下降。若您的目標語言不屬於常見範圍，建議先行測試。
提供了六種預設語音：alloy、echo、fable、onyx、nova 和 shimmer。每種語音都有獨特的語氣和性別呈現（例如，alloy 為中性，echo 為陽剛，fable 為青春，onyx 為低沉，nova 為溫暖，shimmer 為明亮）。通過在請求中設定 voice 參數來選擇語音。沒有自定義語音克隆或微調功能；您必須從這六種中選擇。對於需要一致品牌語音的專案，可能需要評估哪種預設最符合預期的個性。
是的，TTS-1-1106 支援透過伺服器傳送事件（SSE）進行串流。透過將 stream 參數設為 true，API 會以一系列區塊的形式回傳音訊資料，每個區塊包含生成的語音的一部分。這讓客戶端幾乎可以立即開始播放，從而減少感知延遲。串流對於對話式介面特別有用，因為使用者期望即時的口頭回應。請注意，串流可能會略微增加總頻寬開銷，但端到端延遲明顯低於等待完整回應。
TTS-1-1106 有以下幾個已知限制。首先，它無法可靠地產生歌唱或非語音發聲（例如笑聲、哭泣）。其次，預設語音不支援情緒表達——語氣會保持一致，不受內容影響。第三，最大輸入文字長度約為 4096 個字元；更長的內容必須拆分為多個請求再拼接。第四，缺乏背景噪音處理；模型預期輸入為乾淨的文字。最後，非英語語言的表現可能不一致。若需要高品質的多語言支援，建議考慮專門的模型。
TTS-1-1106 在短至中等長度的英文句子中能達到接近人類的自然度。其神經網路架構可產生平滑的韻律、適當的停頓，並將機械感降至最低。獨立評測（此處未提供具體數據）普遍認為它是透過商業API提供的最佳通用TTS模型之一。然而，極長的文本偶爾會出現異常停頓或重音錯誤。總體而言，在大多數對話與旁白場景中，其輸出具有令人信服的自然度。
延遲會因輸入長度和網路狀況而異，但 TTS-1-1106 已針對低端到端延遲進行最佳化。一個 100–200 字元的典型請求在串流模式下，第一個音訊區塊可在 500 毫秒內回傳。1000 字元輸入的完整回應時間通常低於 2 秒。這些數據取決於 OrcaRouter 的網路與伺服器負載。串流能顯著降低感知延遲，因為播放可在完整音訊生成前開始。對於即時應用，強烈建議使用串流。
與較舊的TTS模型（如Tacotron或WaveNet）相比，TTS-1-1106 提供更快的推論速度，並可透過 REST API 輕鬆整合。在標準英文語音樣本上，其品質大致可媲美或超越 Amazon Polly（神經語音）與 Google Cloud Text-to-Speech（WaveNet 語音）的雲端 TTS。在情感範圍與自訂語音克隆方面，則落後於 ElevenLabs 的專業模型。在成本方面，TTS-1-1106 定價具競爭力，每 1M 輸入/輸出 Token 為 15 美元（在 OrcaRouter 上無加成），相當於每 1K 輸入字元約 0.015 美元。此價格與 Azure 的神經 TTS 層級相近。
主要的权衡是有限的语音选择（无法自订）以及4096个字符的输入限制。需要品牌专属语音的使用者必须从六个预设中选择一个。此外，该模型不接受SSML标签来进行发音或强调的精细控制，仅支援基本的SSML韵律元素。它也不支援单次请求中的多说话者对话——每个请求只产生一种语音。若要处理对话，您必须使用不同的语音参数分别发送请求，并在客户端拼接音讯。
定價是基於令牌（token）——包括輸入和輸出——統一費率為每1,000,000個令牌$15.00。一個令牌約對應0.75個英文字元的輸入，輸出令牌則按生成的音訊樣本等效數量計算（同樣為$15/1M令牌）。沒有額外加價；OrcaRouter完全按提供者費率收取。此定價模式意味著成本與處理的文字量和生成的音訊量成線性比例。對於一個典型的1000字元輸入，每次請求的總成本約為$0.02（輸入）+ $0.02（輸出）= $0.04。
流式傳輸本身不會改變每個 token 的價格；無論回應是串流傳輸還是以單一資料區塊傳遞，您都需要按相同數量的 token 計費。在客戶端快取重複請求可以透過避免重複的 API 呼叫來節省成本。OrcaRouter 不提供 TTS 回應的伺服器端快取。如果您的應用程式經常產生相同的文字（例如標準問候語），您應預先產生音訊並在本地端快取，以最大化節省開支。沒有大量折扣或分級定價；每個 token 的費率是固定的。
考慮一個會朗讀500字符訊息的人工智慧聊天機器人。每則訊息的成本：輸入500字符約等於667 tokens → 約$0.01；輸出同樣約$0.01；每則訊息總計約$0.02。若每月10,000則訊息，則為$200。對於一本50,000字的有聲書（約350,000字符輸入），成本大約是：輸入$0.07，輸出$0.07 → 全書總計$0.14。但請注意，由於音訊編碼的關係，輸出token數量可能更高；實際成本可能翻倍。務必測試樣本，並使用API回傳的精確token數量來準確預算。
否。OrcaRouter 對 TTS-1-1106 收取的價格與底層供應商（OpenAI）完全相同：每 100 萬個輸入 token 收費 15 美元，每 100 萬個輸出 token 也收費 15 美元。使用 OrcaRouter 閘道不會產生任何額外費用。這種透明的定價讓開發者能夠以與直接使用 OpenAI API 相同的成本存取 OpenAI 的 TTS 模型。您只需支付 token 消耗的費用，OrcaRouter 不會加收任何額外費用。
您使用標準的 OpenAI 相容聊天完成端點，其基礎 URL 為 https://api.orcarouter.ai/v1。將模型參數設為 "openai/tts-1-1106"。請求體需要包含一個 input 字段，內含您要轉換的文字，以及可選的 voice、response_format 和 speed（播放速率）等字段。認證方式是透過 Authorization 標頭中的 API 金鑰進行。使用 curl 的範例如下：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。
關鍵請求參數包括：model（必填，設為 "openai/tts-1-1106"）、input（字串，要朗讀的文字）、voice（字串，可選 alloy、echo、fable、onyx、nova、shimmer）、response_format（"mp3" 或 "opus"，預設 mp3）、speed（浮點數，預設 1.0；OpenAI 文件標示範圍為 0.25 到 4.0），以及 stream（布林值，預設 false）。其他選用參數包括 user，遵循 OpenAI 慣例。不支援：functions、tools 或 logprobs。若要串流，請設定 stream: true，回應將是一系列帶有音訊資料的 SSE 事件。
必需的最小欄位是 model 和 input。model 必須完全為 "openai/tts-1-1106"。input 欄位必須是非空字串（最多約 4096 個字元）。如果省略 voice，API 會預設為 alloy。如果省略 response_format，則預設為 mp3。請求必須以 JSON 格式透過 HTTPS 發送。OrcaRouter 需要在 Authorization 標頭中使用 Bearer 架構提供有效的 API 金鑰。無需指定 text_type 參數；預設為純文字。
如果您目前使用OpenAI自己的API端點來使用TTS-1-1106，遷移到OrcaRouter只需將基本URL從https://api.openai.com/v1更改為https://api.orcarouter.ai/v1，並將API金鑰更新為您的OrcaRouter金鑰。模型ID必須加上前綴openai/（也就是使用「openai/tts-1-1106」而非僅用「tts-1-1106」）。所有其他參數（input、voice、response_format等）保持不變。除了端點和金鑰之外，無需更改任何程式碼。價格保持不變，零加成。
OpenAI 也提供 TTS-1（原始版本）和 TTS‑1‑HD。TTS-1-1106 是針對低延遲和串流進行最佳化的迭代版本，而 TTS‑1‑HD 則以速度換取更高品質。TTS-1-1106 支援相同的六種語音和價格點。與舊版 TTS-1 相比，TTS-1-1106 在自然度上有所提升，並減少了偽影，尤其是在較長的語句中。對於音質至關重要且延遲較不重要的應用，TTS‑1‑HD 可能是更好的選擇；否則，對於互動式使用，建議選擇 TTS-1-1106。
ElevenLabs 提供廣泛的語音複製與情感控制功能，但按字符計費的成本較高（基礎方案約每 1,000 字符 $0.03）。Azure Neural TTS 的定價與 OpenAI 相近（約每 1,000,000 字符 $15），支援超過 100 種語音與多種語言。TTS-1-1106 的語音選擇較少，但 API 更簡潔且延遲表現優異。如果需要自訂品牌語音，ElevenLabs 或 Azure 較佳；若僅需英文、低延遲、透過 OrcaRouter 零加價存取，則 TTS-1-1106 表現強勁。
可能會有更便宜的 TTS 替代方案（例如 espeak‑ng 或一些在本機 CPU 上運行的開源模型），但通常缺乏自然度。當你需要雲端規模、高品質、低延遲的語音生成，且不需要管理基礎設施時，TTS-1-1106 是合適的選擇。對於成本至關重要的大量使用場景，可以考慮客製化解決方案。如果你的應用僅需偶爾語音輸出，TTS-1-1106 的按 token 計價極具競爭力。對於非英語語言或自訂語音，其他模型可能更具成本效益。
TTS-1-1106 的主要差異化特色在於其速度（亞秒級串流）及透過 OrcaRouter 提供的零加價可用性。它屬於 OpenAI 生態系統的一部分，因此已整合 GPT 模型的用戶可使用相同的 API 金鑰與基礎設施。六種預設語音一致且經過精心調校，利於理解。該模型的低延遲使其非常適合對話式 AI，而 SSML 支援（基本層級）則允許對節奏進行一定控制。然而，它缺乏進階功能，例如情感語音、逐詞時間戳記或客製化語音訓練——這些是為換取其簡潔性與速度所做的取捨。
相容 OpenAI——沿用你現有的 SDK
https://api.orcarouter.ai/v1response_formatspeedvoice| 每 1M 字元 | $15.00 |
|---|---|
| 貨幣 | USD |
| 此模型不以 token 計費。上方費率就是它實際的計量單位，也是結算時扣費的口徑。 | |
本週開發者的討論
@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