GPT-4o mini TTS - OpenAI 推出的文本转语音模型

发布于 2025-03-22 · GPT-4o mini TTS 是 OpenAI 推出的轻量级文本转语音模型，支持将文本内容转换为自然流畅语音的同时，开发者能用指令控制语音的语调、情感和风格，例如“平静”“鼓励”“严肃”等，适应不同场景需求。模型基于先进语音合成技术，生成高质量语音输出，支持多种语言及不同性别、年龄和口音的语音，满足多样化用户需求。

GPT-4o mini TTS是什么

GPT-4o mini TTS 是 OpenAI 推出的轻量级文本转语音模型，文本内容能转成自然流畅的语音，同时开发者可以用指令控制语音的语调、情感和风格，比如“平静”“鼓励”“严肃”这几类，不同场景的需求都能对上。底层是先进的语音合成技术，语音输出质量高，多种语言以及不同性别、年龄、口音的语音都支持，用户的多样需求能覆盖。GPT-4o mini TTS的定价为每分钟 0.015 美元。

GPT-4o mini TTS的主要功能

文本转语音：口音、情感、语调、印象、语速、语气、耳语这些控制选项都有，生成的语音文件质量高。
语音选项：内置11种声音用来把文本转成语音，alloy、ash、coral等都在列。
多语言支持：多种语言的语音合成都支持。
实时音频流处理：实时音频流可以边生成边输出，语音还没全出来就能逐步播放，不用等整个音频文件生成完。
支持多种输出格式：输出格式不止一种，mp3、opus、aac这些都能选。

GPT-4o mini TTS的技术原理

基于GPT-4o mini模型：这是一个建在 GPT-4o mini（快速且强大的语言模型）之上的文本转语音模型，文本转换出来的口语文本听着自然。最大输入标记数为 2000。
情感和风格控制：做法是在模型训练里引入额外的控制信号。信号可以是文本中的特殊标记、元数据，也可以是直接指令，模型学到信号与语音特征之间的关系，生成语音时就能调语调、情感和风格。
多语言数据集：训练阶段用多语言数据集，不同语言的语音特征和发音规律被学下来，多种语言的自然语音由此生成。
实时音频流处理：靠流式处理技术，模型生成语音时逐步输出音频数据，对用户的语音指令响应得快，交互体验流畅，实时语音对话系统这类场景很合适。