OpenAI新推出的文本转语音模型“gpt-4o‑mini‑tts”不仅能产生细腻、自然的语音,且比上一代更容易“指导”,也就是说开发者可用自然语言指令指定说话风格。支持将文本内容转换为自然流畅语音的同时,开发者能用指令控制语音的语调、情感和风格,例如“平静”“鼓励”“严肃”等,适应不同场景需求。模型基于先进语音合成技术,生成高质量语音输出,支持多种语言及不同性别、年龄和口音的语音,满足多样化用户需求。GPT-4o mini TTS的定价为每分钟 0.015 美元。


GPT-4o mini TTS的主要功能
- 文本转语音:支持多种语音控制选项,如口音、情感、语调、印象、语速、语气、耳语,生成高质量的语音文件。
- 语音选项:提供 11 种内置声音控制将文本转换为语音,如:如alloy、ash、coral等。
- 多语言支持:支持多种语言的语音合成。
- 实时音频流处理:支持实时音频流的生成和输出,在语音生成过程中逐步播放,无需等待完整音频文件生成。
- 支持多种输出格式:支持多种输出格式,如mp3、opus、aac等。
GPT-4o mini TTS的技术原理
- 基于GPT-4o mini模型:基于 GPT-4o mini(快速且强大的语言模型)构建的文本转语音模型。让文本转换为听起来自然的口语文本。最大输入标记数为 2000。
- 情感和风格控制:在模型训练中引入额外的控制信号实现的。控制信号可以是文本中的特殊标记、元数据或直接的指令,模型学习信号与语音特征之间的关系,在生成语音时调整语调、情感和风格。
- 多语言数据集:在训练阶段用多语言数据集,学习不同语言的语音特征和发音规律,生成多种语言的自然语音。
- 实时音频流处理:基于流式处理技术,模型在生成语音时逐步输出音频数据,让模型快速响应用户的语音指令,提供流畅的交互体验,适合实时语音对话系统等应用场景。
GPT-4o mini TTS的项目地址
- 项目官网:https://platform.openai.com/docs/guides/text-to-speech
- 在线体验Demo:https://www.openai.fm/
GPT-4o mini TTS的应用场景
- 智能客服:为用户提供语音交互的客服服务,快速响应问题,提升用户体验。
- 教育学习:朗读教材、提供语音反馈,帮助学生学习,增强学习兴趣。
- 智能助手:在智能家居、移动设备等场景中,提供语音交互服务,如日程提醒、信息查询等。
- 内容创作:将文本转换为语音,生成有声读物、播客、语音新闻等。
- 无障碍辅助:为视障或阅读困难者提供语音辅助,帮助用户更好地获取信息。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...