Como usar a API de conversão de texto em fala da OpenAI

Imagine que você passou horas escrevendo um conteúdo.

Você está satisfeito com o produto final, então o divulga para o público.

Depois de algum tempo em domínio público, você percebe que está afastando um grande público, pois muitas pessoas acham que não têm tempo para sentar e ler seu trabalho.

Você pensa em narrar o conteúdo por conta própria, mas o tempo não está do seu lado. Você flerta com a ideia de contratar um narrador, mas as cotações que tem recebido estão muito além do seu orçamento, e o tempo necessário para encontrar alguém com a voz "certa" também é um fardo.

No típico estilo do século XXI, você procura uma solução na tecnologia. É quando você fica sabendo sobre a API de conversão de texto em fala (TTS) da OpenAI.

No restante deste tutorial, abordaremos a API TTS da OpenAI, ou seja, seus principais recursos, como começar, personalização e casos de uso no mundo real.

O que é a API TTS da OpenAI?

A conversão de texto em fala (TTS) é um tipo de tecnologia assistiva usada para converter a linguagem natural, fornecida em formato de texto, em fala. Ou seja, os sistemas de conversão de texto em fala pegam palavras escritas em um computador (ou em qualquer outro dispositivo digital) e leem o texto em voz alta.

A API TTS da OpenAI é um ponto de extremidade que permite que os usuários interajam com seu modelo de IA TTS que converte texto em linguagem falada com som natural. O modelo tem duas variações:

• TTS-1: O mais recente modelo de IA otimizado para casos de uso de conversão de texto em fala em tempo real.
• TTS-1-HD: O mais recente modelo de IA otimizado para qualidade.

O endpoint vem pré-construído com seis vozes e, de acordo com a documentação do OpenAI TTS, pode ser usado para:

• Narrar uma postagem de blog escrita
• Produzir áudio falado em vários idiomas
• Forneça saída de áudio em tempo real usando streaming

No entanto, é importante observar que as Políticas de Uso da OpenAI exigem que os usuários divulguem claramente aos usuários finais que a voz TTS que eles ouvem é gerada por IA e não por uma voz humana.

Primeiros passos com a API TTS

Vamos ver como você pode começar a usar a API Text-to-Speech da OpenAI, abordando os pré-requisitos e as etapas que você precisa seguir:

Pré-requisitos

• Uma conta OpenAI financiada - veja mais em Entendendo os limites e preços da API abaixo. 
• Python 3.7+
• IDE

Etapa 1: Gerar uma chave de API

Uma vez conectado à sua conta OpenAI, você será direcionado para a tela inicial. A partir daqui, navegue até o logotipo da OpenAI no canto superior esquerdo da página para alternar a barra lateral.

Selecione "Chaves de API".

Selecione "Create new secret key" (Criar nova chave secreta ) e dê um nome à sua chave de API - chamamos a nossa de "tts-example".

Quando você criar sua chave de API, será gerada uma chave secreta. Não se esqueça de guardar a chave em um local seguro e protegido.

Agora que você já tem a chave, está pronto para começar!

Etapa 2: Criar um ambiente virtual

Um ambiente virtual é usado para criar um contêiner ou ambiente isolado no qual as dependências relacionadas ao Python são instaladas para um projeto específico. É possível trabalhar com muitas versões diferentes do Python com seus vários pacotes.

Aprofundar o assunto dos ambientes virtuais está além do escopo deste artigo. Confira o tutorial Ambiente virtual em Python para saber mais sobre como criar um.

Etapa 3: O código

Há três entradas principais que o ponto de extremidade de fala recebe:

• O nome do modelo
• O texto que deve ser transformado em áudio
• A voz a ser usada para a geração de áudio.

Na documentação de conversão de texto em fala da OpenAI, há um exemplo de solicitação; portanto, não precisamos reinventar a roda.

Veja a seguir um exemplo de solicitação:

from pathlib import Path
from openai import OpenAI

client = OpenAI()

speech_file_path = Path(__file__).parent / "speech.mp3"
response = client.audio.speech.create(
  model="tts-1",
  voice="alloy",
  input="Today is a wonderful day to build something people love!"
)

response.stream_to_file(speech_file_path)

Da forma como está, o código não será executado.

O motivo pelo qual ele não será executado é que não passamos a chave de API que geramos na etapa 1 para nosso cliente OpenAI...

Etapa 4: Passando a chave da API

A maneira mais fácil de resolver esse problema é adicionar um parâmetro api_key no qual podemos passar nossa chave secreta para o objeto OpenAI().

Por exemplo:

client = OpenAI(api_key="secret key goes here") 

Fazer isso é uma prática ruim em Python.

Em vez disso, usaremos o dotenv para ler a chave secreta de um arquivo .env.

Etapa 4.1: Instalando o dotenv

A primeira coisa que você deve fazer é instalar o dotenv em seu ambiente virtual. Execute esse comando em seu ambiente virtual:

pip install python-dotenv

Etapa 4.2: Chamada das variáveis de ambiente

Agora que o dotenv está instalado, podemos criar um arquivo .env, que contém pares de valores-chave, e definir os valores como variáveis de ambiente.

Isso nos permite ocultar nossa chave secreta, mesmo que o código seja compartilhado publicamente.

Em primeiro lugar, devemos criar um arquivo .env e inserir o seguinte:

SECRET_KEY = "insert your secret key token here" 

Em nosso arquivo main.py, agora podemos chamar nossas variáveis de ambiente usando dotenv.

Veja a seguir a aparência do código.

import os
from pathlib import Path
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv() 
SECRET_KEY = os.getenv("SECRET_KEY")

client = OpenAI(api_key=SECRET_KEY)

speech_file_path = Path(__file__).parent / "speech.mp3"
response = client.audio.speech.create(
  model="tts-1",
  voice="alloy",
  input="Today is a wonderful day to build something people love!"
)

response.stream_to_file(speech_file_path)

Agora o código é executado.

O comportamento padrão do código é gerar um arquivo MP3 do áudio falado. Se preferir um formato de arquivo diferente, você pode configurar a saída para qualquer um dos formatos suportados.

Personalização de voz e saída

Há muitas vozes e sotaques diferentes no mundo.

Embora seja impossível capturar cada uma delas, o TTS da OpenAI tentou refletir o mundo diversificado em que vivemos integrando seis vozes exclusivas incorporadas à API:

• Liga metálica
• Echo
• Fábula
• Onyx
• Nova
• Cintilante

Eles podem transmitir personalidades diferentes, ou você pode usá-los de acordo com sua preferência. Tudo o que você precisa fazer é definir o endereço voice que deseja usar usando o parâmetro de voz no objeto do cliente.

response = client.audio.speech.create(
  model="tts-1",
  voice="alloy", # Update this to change voice
  input="Today is a wonderful day to build something people love!"
)

Consulte a documentação da API de conversão de texto em fala da OpenAI para saber mais sobre as vozes disponíveis.

Você também pode alterar o formato de saída.

A resposta padrão da API é um arquivo MP3 com o texto convertido. No entanto, a OpenAI oferece uma variedade de outros formatos para atender às suas necessidades e preferências. Por exemplo:

• Codificação de áudio avançada (AAC). O AAC é excelente para a compactação de áudio digital, pois é amplamente adotado e reconhecido por sua eficiência de compactação. Por isso, é o formato de arquivo preferido para softwares e aplicativos como YouTube, Android e iOS. É uma boa opção optar pelo formato AAC se for necessário um equilíbrio entre qualidade e tamanho do arquivo. Também é uma boa solução se você espera que os usuários ouçam áudio em vários dispositivos.
• Free Lossless Audio Coded (FLAC). Com relação à compactação de áudio sem perdas, o FLAC é a opção ideal, o que significa que ele pode reduzir o tamanho do arquivo sem perder a qualidade. Os entusiastas de áudio geralmente tendem a preferir o FLAC, pois ele é ideal para fins de arquivamento e em eventos em que há largura de banda suficiente para lidar com arquivos de tamanho maior.
• Opus. Se você deseja baixa latência e boa compactação em várias taxas de bits para streaming e comunicação na Internet, escolha a formatação de arquivos Opus.
• MP3. Não é necessário ser um grande conhecedor de tecnologia para saber sobre MP3. Esse é o formato de arquivo de áudio com suporte mais universal e é conhecido por sua compatibilidade com todos os dispositivos e softwares. É um ótimo padrão, pois é ideal para uso geral.

TLDR: a escolha da saída selecionada pode afetar a qualidade do áudio, o tamanho do arquivo e a compatibilidade do arquivo com vários dispositivos e aplicativos.

Em termos de suporte a idiomas, o modelo de conversão de texto em fala segue o modelo Whisper usado para conversão de texto em fala; as vozes são otimizadas para o inglês, mas têm suporte para vários outros idiomas.

Casos de uso reais da API de conversão de texto em fala da OpenAI

Agora que sabemos como configurar a API TTS, vamos dar uma olhada em alguns exemplos de como você pode usá-la.

Narrar um post de blog ou livro escrito

Digamos que você tenha escrito um livro ou uma publicação de blog e queira expandir seu alcance para um público mais amplo convertendo-o em áudio. Se você fizesse as coisas à moda antiga, teria que encontrar um narrador (ou narrar você mesmo), o que pode ser um processo longo.

A API OpenAI TTS pode ser usada para encurtar esse processo; tudo o que você deve fazer é passar o documento de texto para a API, e ela o converterá em fala.

Produzir áudio falado em vários idiomas.

Em vez de dar aulas em grupo, os professores de idiomas podem usar a API de conversão de texto em fala da OpenAI para criar aulas personalizadas para alunos que usam vários idiomas e dialetos. Apesar de as vozes serem otimizadas para o idioma inglês, a API ainda pode ser usada para gerar conteúdo de áudio em vários idiomas.

Saída de áudio em tempo real usando streaming

A API OpenAI TTS pode ser usada para criar vozes de IA que soam mais realistas e expressivas do que os sistemas TTS tradicionais. Os desenvolvedores de videogames podem aproveitar esse recurso e aplicá-lo aos personagens para tornar a experiência mais imersiva para os jogadores.

Outro caso de uso pode ser a criação de assistentes virtuais e chatbots que sejam mais envolventes do que os tradicionais existentes.

Entendendo os limites e os preços da API

Os limites de taxa da API OpenAI TTS começam em 50 solicitações por minuto (RPM) para contas pagas, e o tamanho máximo de entrada é de 4096 caracteres, o que equivale a aproximadamente 5 minutos de áudio na velocidade padrão.

Com relação aos modelos TTS, os preços são os seguintes:

• Modelo TTS padrão: A US$ 0,015 por 1.000 caracteres.
• Modelo TTS HD: Por US$ 0,030 por 1.000 caracteres.

Se estiver procurando uma maneira econômica de integrar a API TTS em um projeto pequeno, talvez seja melhor optar pelo modelo TTS padrão. O modelo TTS HD é um pouco mais caro, mas oferece áudio de alta definição, o que é ideal quando a qualidade do seu áudio é fundamental - saiba mais sobre os preços dos modelos de áudio da OpenAI.

Conclusão

A API de conversão de texto em fala da OpenAI é um ponto de extremidade para os usuários gerarem áudio falado de alta qualidade a partir de texto. Ele vem com seis vozes integradas, e os usuários podem selecionar um dos dois modelos, TTS-1 e TTS-1-HD, dependendo do caso de uso; o modelo TTS-1 é otimizado para conversão de texto em fala em tempo real, enquanto o TTS-1-HD é otimizado para qualidade.

Nesta postagem do blog, abordamos o assunto:

• O que é a API TTS da OpenAI?
• Como usá-lo
• Personalização da voz e da saída
• Casos de uso no mundo real
• Limites e preços da API

Confira estes recursos interessantes para continuar seu aprendizado:

• Trabalhando com a API da OpenAI
• Guia para iniciantes da API da OpenAI: Tutorial prático e práticas recomendadas
• Uma introdução à API GPT e OpenAI em Python
• A API da OpenAI em Python
• Usando o GPT-3.5 e o GPT-4 por meio da API OpenAI em Python