GPT-4o-mini-TTS API

GPT-4o-mini-TTS 是 OpenAI 的文字轉語音模型，適用於已有文字內容並需要可控語音的應用程式。它僅接受文字輸入，並僅輸出音訊。不同於通用聊天模型，它並非設計用來分析影像、轉錄傳入的語音、維持較長的對話歷史，或返回文字答案。

此模型相較於舊式預設風格 TTS 工作流程的主要優勢，在於其 instructions 欄位。開發人員不再只能選擇語音和速度，而是可以用一般語言描述所需的表達方式：沉穩或興奮、對話式或正式、輕聲細語或充滿活力，並提供口音、節奏、語調和重音方面的指引。這使 OpenAI GPT-4o-mini-TTS API 適用於旁白、產品導覽、無障礙音訊、遊戲對話，以及由應用程式文字輸出所產生的語音回應。

選擇合適的語音和音訊格式

GPT-4o-mini-TTS 目前記載的內建語音包括 alloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse、marin 和 cedar。OpenAI 建議首先試用 marin 或 cedar，以獲得重視品質的輸出。這些語音可以生成多種語言的語音，但針對英文進行了最佳化，因此在發布前，請使用實際腳本測試姓名、縮寫、數字和當地發音。

語音和格式解決的是不同問題。語音決定基本音色；指令控制表達方式；回應格式則決定音訊如何融入產品。

MP3 是實用的預設選擇。頻寬有限時選擇 Opus；需要無損儲存時選擇 FLAC；若避免解碼負擔比檔案大小更重要，則選擇 WAV 或 PCM。

如何撰寫 GPT-4o-mini-TTS 提示

實用的 GPT-4o-mini-TTS 提示會描述四件事：說話者的角色、聽眾、情緒意圖和表達方式。將要朗讀的腳本放在 input 欄位，並將語音指示放在 instructions 欄位。這種分離方式讓提示更容易重複使用和測試。

測試 GPT-4o-mini-TTS API 語音時，一次只更改一個變數。先選擇基本語音，再調整語氣和節奏，最後測試發音。這樣更容易判斷問題究竟來自語音選擇、指令還是來源文字。

常見的 GPT-4o-mini-TTS API 應用

• 旁白和配音： 將文章、產品影片、課程和短篇腳本轉換為一致的語音。

• 應用程式導引： 朗讀導覽步驟、警示、導覽提示或生成的摘要。

• 語音代理輸出： 將助理的文字回應轉換為串流語音。如果產品需要完整的雙向語音對語音互動，則改用 Realtime API 工作流程。

• 無障礙： 為偏好或需要音訊的使用者，新增訊息、文件和介面內容的語音版本。

• 多語言傳遞： 從受支援語言的文字生成語音，同時測試每種目標語言，因為內建語音針對英文進行了最佳化。

傳送請求前先規劃長篇腳本

每次請求的最大輸入量為 2,000 個 token，而不是 128K 的上下文視窗。請在句子或段落邊界切分較長的內容。每個片段都使用相同的語音、指令、速度和回應格式，並避免將句子、數字或專有名稱拆分到兩個請求中。生成後，請聆聽銜接處是否有重複停頓、不一致的重音或發音變化。

對於互動式播放，請要求串流，讓應用程式能在生成完成前開始播放音訊。對於預錄旁白，請生成完整檔案，並在發布前進行品質檢查。無論採用哪種方式，都應清楚告知終端使用者該語音是由 AI 生成，而非真人語音。