零樣本語音複製
僅使用 5 秒的語音樣本，即可以 94% 的相似度複製任何目標聲音，並支援跨語言合成。
speech-2.5-hd-preview
ByteDance 的文字轉語音 2.5 模型提供錄音室等級的 48kHz 音訊與原生情感韻律。它支援零樣本語音克隆與低於 200 毫秒的延遲，非常適合即時應用程式和大規模專業內容創作。
$ 0
text
$ 60
$ 100
audio
Playground
JSON
API
輸入
核心文字轉語音 2.5 功能
讓 2.5 HD 預覽模型在合成語音技術領域領先的技術亮點。
錄音室等級 48kHz 音訊
專為廣播設計的高畫質輸出，相較於 24kHz 標準模型，提供更卓越的清晰度。
低於 200 毫秒的延遲
最佳化的處理管線確保快速 TTFB，成為對話式 AI 應用程式的最快選擇。
原生情感韻律
模型會自動解析文字語境，加入自然停頓、嘆息與情感深度，無需手動使用 SSML 標籤。
如何取得 speech-2.5-hd-preview API 金鑰
取得 speech-2.5-hd-preview API 金鑰只需四個步驟，僅需幾分鐘。建立免費的 GPTProto 帳號、儲值、產生金鑰，並進行第一次呼叫 — 在 $0 / $60 這裡能以比直連更划算的價格取得 speech-2.5-hd-preview API 金鑰，且單一金鑰即可在平台上所有模型通用。完整 speech-2.5-hd-preview 說明文件 請參閱說明文件。
註冊
建立您的免費 GPT Proto 帳號即可開始。您可以隨時為您的團隊設定組織。
儲值
您的餘額可用於平台上的所有模型，包括 speech-2.5-hd-preview，讓您能靈活地進行實驗並隨需求擴充。
產生您的 API 金鑰
在您的儀表板中建立 API 金鑰 — 進行 speech-2.5-hd-preview 請求時，您將需要它來進行驗證。
進行第一次 API 呼叫
使用您的 API 金鑰搭配我們的範例程式碼，透過 GPT Proto 向 speech-2.5-hd-preview 發送請求，並立即查看 AI 生成的結果。
text speech 2.5 常見問題
關於將 text speech 2.5 整合至應用程式，以進行高品質音訊製作的常見問題。
text speech 2.5 請求的典型延遲是多少？
此模型針對高速效能進行最佳化，首次位元組時間（TTFB）約為 180 毫秒。這使 text speech 2.5 模型的速度大幅超越 OpenAI TTS-1-HD，為需要立即語音回饋的即時語音助理和互動式應用程式提供流暢的使用體驗。
語音複製需要多長的音訊樣本？
若要實現高保真度的零樣本語音複製，您只需要 5 至 10 秒的音訊參考樣本。text speech 2.5 系統會使用此樣本擷取聲音特徵，讓複製的聲音能以高度相似度（94.1%）朗讀任何文字輸入，支援 30 多種語言，同時保留原始說話者的身分特徵。
text speech 2.5 是否支援高畫質輸出？
是，它支援各種格式的錄音室級 48kHz 輸出，包括 MP3、WAV、PCM 和 Opus。此解析度優於業界標準的 24kHz，可確保合成語音專業且清晰，對 Podcast、有聲書和高階數位人類動畫尤其重要。
文字合成的輸入限制是多少？
每次個別請求最多可處理 4,096 個字元的文字。對於較長的文件或大型腳本，我們建議將文字分割成較小的區段。這能避免處理逾時，並確保神經引擎在整個音訊生成過程中維持一致的韻律和情感語調。
我的文字資料會用於訓練底層模型嗎？
隱私是我們的核心優先事項。透過 API 傳送至 text speech 2.5 preview 模型的任何文字或音訊樣本，預設都不會納入 ByteDance 的訓練資料集。您的專有腳本和語音複製資料均受到安全保護，僅用於生成您特定請求的輸出。
HD 和複製語音的定價方式為何？
標準語音合成的價格為每 100 萬個字元 15.00 美元。高畫質或複製語音的價格為每 100 萬個字元 30.00 美元。GPTProto.com 提供統一計費，讓您無需與個別供應商管理多份獨立的企業合約，即可使用這些進階功能。
