GPT-4o-mini-TTS API

O GPT-4o-mini-TTS é o modelo de texto para fala da OpenAI para aplicativos que já têm texto escrito e precisam de áudio falado controlável. Ele aceita apenas texto e retorna apenas áudio. Ao contrário de um modelo de chat geral, ele não foi projetado para analisar imagens, transcrever fala recebida, manter um longo histórico de conversa ou retornar uma resposta em texto.

A principal vantagem do modelo em relação aos fluxos de TTS mais antigos baseados em configurações predefinidas é o campo instructions. Em vez de selecionar apenas uma voz e uma velocidade, os desenvolvedores podem descrever a entrega pretendida em linguagem natural: calma ou animada, conversacional ou formal, suave ou enérgica, com orientações para sotaque, ritmo, entonação e ênfase. Isso torna a API GPT-4o-mini-TTS da OpenAI útil para narração, onboarding de produto, áudio de acessibilidade, diálogos de jogos e respostas faladas geradas a partir da saída de texto de um aplicativo.

Escolha a voz e o formato de áudio certos

O GPT-4o-mini-TTS documenta atualmente as vozes integradas alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin, e cedar. A OpenAI recomenda experimentar marin ou cedar primeiro para obter uma saída focada em qualidade. As vozes podem gerar fala em vários idiomas, mas são otimizadas para o inglês. Por isso, teste nomes, siglas, números e a pronúncia local com roteiros reais antes do lançamento.

A voz e o formato resolvem problemas diferentes. A voz determina o som base; a instrução controla a entrega; o formato de resposta determina como o áudio se encaixa no produto.

Use o MP3 como padrão prático. Escolha Opus quando a largura de banda for importante, FLAC quando o armazenamento sem perdas for importante e WAV ou PCM quando evitar a sobrecarga de decodificação for mais importante do que o tamanho do arquivo.

Como escrever um prompt do GPT-4o-mini-TTS

Um prompt útil do GPT-4o-mini-TTS descreve quatro coisas: o papel do falante, o ouvinte, a intenção emocional e a entrega. Mantenha o roteiro falado no campo input e coloque a direção de voz no campo instructions. Essa separação torna os prompts mais fáceis de reutilizar e testar.

Altere uma variável por vez ao testar uma voz da API GPT-4o-mini-TTS. Primeiro selecione a voz base, depois refine o tom e o ritmo e, por fim, teste a pronúncia. Isso facilita identificar se um problema vem da escolha da voz, da instrução ou do texto de origem.

Aplicações comuns da API GPT-4o-mini-TTS

• Narração e locuções: Converta artigos, vídeos de produto, lições e roteiros curtos em áudio falado consistente.

• Orientação no aplicativo: Leia em voz alta etapas de onboarding, alertas, dicas de navegação ou resumos gerados.

• Saída de agente de voz: Transforme uma resposta de texto de um assistente em fala transmitida em streaming. Use um fluxo de trabalho da API Realtime quando o produto precisar de interação bidirecional completa, de fala para fala.

• Acessibilidade: Adicione versões faladas de mensagens, documentos e conteúdo de interface para usuários que preferem ou precisam de áudio.

• Entrega multilíngue: Gere fala a partir de texto em idiomas suportados e teste cada idioma de destino, pois as vozes integradas são otimizadas para o inglês.

Planeje roteiros longos antes de enviar solicitações

A entrada máxima é de 2.000 tokens por solicitação, e não uma janela de contexto de 128K. Divida materiais mais longos nos limites de frases ou parágrafos. Reutilize a mesma voz, instrução, velocidade e formato de resposta para cada segmento e evite cortar uma frase, número ou nome próprio entre duas solicitações. Após a geração, ouça as emendas para verificar se há pausas repetidas, ênfase inconsistente ou mudanças de pronúncia.

Para reprodução interativa, solicite streaming para que o aplicativo possa começar a reproduzir o áudio antes de a geração terminar. Para narração pré-gravada, gere arquivos completos e faça uma verificação de qualidade antes de publicar. Em ambos os casos, informe claramente aos usuários finais que a voz é gerada por IA e não humana.