GPT-4o-mini-TTS API

GPT-4o-mini-TTSは、すでにテキストがあり、制御可能な音声を必要とするアプリケーション向けのOpenAIの音声合成モデルです。テキストのみを受け取り、音声のみを返します。汎用チャットモデルとは異なり、画像の分析、入力された音声の文字起こし、長い会話履歴の維持、テキストによる回答の返却を目的として設計されていません。

従来のプリセット型TTSワークフローに対するこのモデルの主な利点は、instructionsフィールドです。音声と速度だけを選択するのではなく、開発者は意図する話し方を自然言語で説明できます。落ち着いた話し方や興奮した話し方、会話調やフォーマルな話し方、穏やかな話し方や活気のある話し方に加え、アクセント、ペース、イントネーション、強調についても指定できます。これにより、OpenAI GPT-4o-mini-TTS APIは、ナレーション、プロダクトのオンボーディング、アクセシビリティ向け音声、ゲームの台詞、アプリケーションのテキスト出力から生成される音声応答などに活用できます。

適切な音声と音声形式を選ぶ

GPT-4o-mini-TTSで現在ドキュメント化されている内蔵音声は、alloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse、marin、cedarです。品質を重視する出力では、まずmarinまたはcedarを試すことをOpenAIは推奨しています。これらの音声は複数の言語で音声を生成できますが、英語向けに最適化されています。そのため、リリース前に実際のスクリプトを使って、名前、頭字語、数字、現地語の発音をテストしてください。

音声と形式は異なる問題を解決します。音声は基本的な音質を決定し、指示は話し方を制御し、レスポンス形式は音声をプロダクトにどのように組み込むかを決定します。

実用的なデフォルトとしてMP3を使用してください。帯域幅が重要な場合はOpus、可逆圧縮での保存が重要な場合はFLAC、ファイルサイズよりもデコードのオーバーヘッドを避けることが重要な場合はWAVまたはPCMを選択します。

GPT-4o-mini-TTSのプロンプトの書き方

有用なGPT-4o-mini-TTSプロンプトでは、話者の役割、聞き手、感情的な意図、話し方という4つを説明します。話す台本はinputフィールドに入れ、音声の指示はinstructionsフィールドに入れます。この分離により、プロンプトの再利用とテストが容易になります。

GPT-4o-mini-TTS APIの音声をテストするときは、一度に1つの変数だけを変更してください。まず基本音声を選び、次にトーンとペースを調整し、最後に発音をテストします。これにより、問題が音声の選択、指示、ソーステキストのいずれに起因するのかを特定しやすくなります。

GPT-4o-mini-TTS APIの一般的な用途

• ナレーションとボイスオーバー：記事、プロダクト動画、レッスン、短い台本を、一貫した音声に変換します。

• アプリのガイダンス：オンボーディング手順、アラート、ナビゲーションの案内、生成された要約を読み上げます。

• 音声エージェントの出力：アシスタントのテキスト応答をストリーミング音声に変換します。完全な双方向の音声対音声インタラクションが必要な場合は、代わりにRealtime APIのワークフローを使用してください。

• アクセシビリティ：音声を好む、または必要とするユーザーのために、メッセージ、ドキュメント、インターフェースコンテンツの音声版を追加します。

• 多言語対応：対応言語のテキストから音声を生成します。ただし、内蔵音声は英語向けに最適化されているため、対象言語ごとにテストしてください。

長い台本はリクエスト送信前に計画する

最大入力は1リクエストあたり2,000トークンであり、128Kのコンテキストウィンドウではありません。長い素材は文または段落の区切りで分割してください。すべてのセグメントで同じ音声、指示、速度、レスポンス形式を再利用し、文、数字、固有名詞が2つのリクエストにまたがって分断されないようにします。生成後は、繰り返される間、不統一な強調、発音の変化がないか、つなぎ目を聞いて確認してください。

インタラクティブ再生では、ストリーミングをリクエストして、生成が完了する前にアプリケーションが音声の再生を開始できるようにします。事前録音用のナレーションでは、完全なファイルを生成し、公開前に品質チェックを行ってください。いずれの場合も、音声が人間ではなくAIによって生成されたものであることをエンドユーザーに明確に伝えてください。