GPT-4o-mini-TTS-API

GPT-4o-mini-TTS ist das Text-to-Speech-Modell von OpenAI für Anwendungen, die bereits geschriebenen Text haben und steuerbare Sprachausgabe benötigen. Es akzeptiert ausschließlich Text und gibt ausschließlich Audio zurück. Anders als ein allgemeines Chatmodell ist es nicht dafür ausgelegt, Bilder zu analysieren, eingehende Sprache zu transkribieren, einen langen Gesprächsverlauf aufrechtzuerhalten oder eine Textantwort zurückzugeben.

Der Hauptvorteil des Modells gegenüber älteren TTS-Workflows mit voreingestellten Optionen ist sein Feld instructions. Statt nur eine Stimme und Geschwindigkeit auszuwählen, können Entwickler die gewünschte Wiedergabe in Alltagssprache beschreiben: ruhig oder aufgeregt, dialogorientiert oder formell, leise gesprochen oder energisch, mit Vorgaben für Akzent, Tempo, Intonation und Betonung. Dadurch eignet sich die OpenAI GPT-4o-mini-TTS-API für Erzählungen, Produkteinführungen, barrierefreie Audiowiedergabe, Spieldialoge und gesprochene Antworten, die aus der Textausgabe einer Anwendung erzeugt werden.

Die richtige Stimme und das richtige Audioformat auswählen

GPT-4o-mini-TTS dokumentiert derzeit die integrierten Stimmen alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin und cedar. OpenAI empfiehlt, für qualitätsorientierte Ausgaben zuerst marin oder cedar auszuprobieren. Die Stimmen können Sprache in mehreren Sprachen erzeugen, sind jedoch für Englisch optimiert. Testen Sie daher Namen, Akronyme, Zahlen und die lokale Aussprache mit echten Skripten, bevor Sie sie veröffentlichen.

Stimme und Format lösen unterschiedliche Probleme. Die Stimme bestimmt den Grundklang; die Anweisung steuert die Wiedergabe; das Antwortformat bestimmt, wie sich das Audio in das Produkt einfügt.

Verwenden Sie MP3 als praktischen Standard. Wählen Sie Opus, wenn Bandbreite eine Rolle spielt, FLAC, wenn verlustfreie Speicherung wichtig ist, und WAV oder PCM, wenn die Vermeidung von Dekodierungsaufwand wichtiger ist als die Dateigröße.

So schreiben Sie einen GPT-4o-mini-TTS-Prompt

Ein nützlicher GPT-4o-mini-TTS-Prompt beschreibt vier Dinge: die Rolle des Sprechers, den Zuhörer, die emotionale Absicht und die Wiedergabe. Belassen Sie das zu sprechende Skript im Feld input und geben Sie die Anweisungen zur Stimme in das Feld instructions ein. Diese Trennung erleichtert die Wiederverwendung und das Testen von Prompts.

Ändern Sie beim Testen einer GPT-4o-mini-TTS-API-Stimme jeweils nur eine Variable. Wählen Sie zuerst die Basisstimme aus, verfeinern Sie dann Ton und Tempo und testen Sie schließlich die Aussprache. So lässt sich leichter feststellen, ob ein Problem von der Stimmauswahl, der Anweisung oder dem Quelltext verursacht wird.

Häufige Anwendungen der GPT-4o-mini-TTS-API

• Erzählungen und Voiceovers: Wandeln Sie Artikel, Produktvideos, Lektionen und kurze Skripte in konsistente gesprochene Audiodateien um.

• App-Anleitungen: Lesen Sie Einführungsschritte, Warnungen, Navigationshinweise oder generierte Zusammenfassungen laut vor.

• Ausgabe von Sprachagenten: Wandeln Sie eine Textantwort eines Assistenten in gestreamte Sprache um. Verwenden Sie stattdessen einen Realtime-API-Workflow, wenn das Produkt eine vollständige bidirektionale Sprach-zu-Sprach-Interaktion benötigt.

• Barrierefreiheit: Fügen Sie gesprochene Versionen von Nachrichten, Dokumenten und Benutzeroberflächeninhalten für Nutzer hinzu, die Audio bevorzugen oder benötigen.

• Mehrsprachige Wiedergabe: Erzeugen Sie Sprache aus Texten in unterstützten Sprachen. Testen Sie dabei jede Zielsprache, da die integrierten Stimmen für Englisch optimiert sind.

Lange Skripte vor dem Senden von Anfragen planen

Die maximale Eingabe beträgt 2.000 Token pro Anfrage, nicht ein Kontextfenster von 128K. Teilen Sie längeres Material an Satz- oder Absatzgrenzen auf. Verwenden Sie für jedes Segment dieselbe Stimme, Anweisung, Geschwindigkeit und dasselbe Antwortformat und vermeiden Sie es, einen Satz, eine Zahl oder einen Eigennamen auf zwei Anfragen aufzuteilen. Hören Sie sich nach der Generierung die Übergänge auf wiederholte Pausen, uneinheitliche Betonung oder Ausspracheänderungen an.

Fordern Sie für die interaktive Wiedergabe Streaming an, damit die Anwendung mit der Audiowiedergabe beginnen kann, bevor die Generierung abgeschlossen ist. Erzeugen Sie für vorab aufgezeichnete Erzählungen vollständige Dateien und führen Sie vor der Veröffentlichung eine Qualitätsprüfung durch. Geben Sie in beiden Fällen gegenüber den Endnutzern deutlich an, dass die Stimme KI-generiert und nicht menschlich ist.