如何使用 OpenAI 文本转语音（TTS）API

想象一下，您花了数小时写好一篇内容。

您对最终成果很满意，于是将其发布给大众。

公开一段时间后，您发现自己错失了大量受众，因为许多人觉得没有时间坐下来认真阅读您的作品。

您考虑亲自为内容配音，但时间不允许。您也动过雇人配音的念头，但拿到的报价远超预算，寻找一位嗓音“合适”的人也要耗费不少精力。

按照 21 世纪的常规，您转向技术寻求解决方案。这时，您了解到了 OpenAI 的文本转语音（TTS）API。

在接下来的教程中，我们将介绍 OpenAI 的 TTS API，包括其主要特性、如何上手、个性化定制，以及真实世界的应用场景。

什么是 OpenAI 的 TTS API？

文本转语音（TTS）是一种辅助技术，用于将文本格式的自然语言转换为语音。具体而言，文本转语音系统会读取计算机（或任何其他数字设备）上的文字，并将其朗读出来。

OpenAI 的 TTS API 是一个端点，使用户能够与其将文本转换为自然语音的 TTS 人工智能模型交互。该模型有两个变体：

TTS-1：最新的 AI 模型，针对实时文本转语音用例进行了优化。
TTS-1-HD：最新的 AI 模型，针对音质进行了优化。

该端点内置六种声音，并且根据 OpenAI TTS 文档，可用于：

为书面博客文章配音
生成多种语言的语音音频
通过流式传输提供实时音频输出

不过，需要注意的是，OpenAI 的使用政策要求用户向终端用户清晰披露其所听到的 TTS 声音是由 AI 生成，而非人声。

开始使用 TTS API

下面看看如何开始使用 OpenAI 文本转语音 API，包括前置条件和需要遵循的步骤：

前置条件

一个已充值的 OpenAI 账户——请参见下文“了解 API 限额与定价”。
Python 3.7+
IDE

步骤 1：生成 API 密钥

登录您的 OpenAI 账户后，您会进入首页。从这里，点击页面左上角的 OpenAI 标志以展开侧边栏。

选择“API Keys”。

选择“Create new secret key”并为您的 API 密钥命名——我们将其命名为“tts-example”。

创建 API 密钥时，会生成一个密钥。请务必将其保存在安全的位置。

现在您已经拿到密钥，可以开始了！

步骤 2：创建虚拟环境

虚拟环境用于为特定项目创建一个容器或隔离环境，以安装与 Python 相关的依赖项。这样可以针对不同项目使用不同版本的 Python 及其包。

更深入地介绍虚拟环境超出了本文范围。请参阅Python 中的虚拟环境教程了解如何创建。

步骤 3：编写代码

语音端点有三个关键输入：

模型名称
需要转换为音频的文本
用于生成音频的声音。

在 OpenAI 的文本转语音文档中提供了示例请求，因此我们无需重复造轮子。

示例请求如下：

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)技术支持

按目前的写法，这段代码无法运行。

原因在于我们还没有把第 1 步生成的 API 密钥传给 OpenAI 客户端……

步骤 4：传入 API 密钥

最简单的办法是在 OpenAI() 对象中添加一个 api_key 参数，将密钥传入。

例如：

client = OpenAI(api_key="secret key goes here") 技术支持

不过，在 Python 中这样做并不是最佳实践。

我们将改用 dotenv，从 .env 文件中读取密钥。

步骤 4.1：安装 dotenv

首先，您需要在虚拟环境中安装 dotenv。在虚拟环境中运行以下命令：

pip install python-dotenv技术支持

步骤 4.2：读取环境变量

安装好 dotenv 后，我们可以创建一个包含键值对的 .env 文件，并将这些值设置为环境变量。

这样，即便代码公开分享，我们也能隐藏密钥。

首先创建一个 .env 文件，并写入以下内容：

SECRET_KEY = "insert your secret key token here" 技术支持

现在，我们可以在 main.py 文件中通过 dotenv 读取环境变量。

代码如下所示。

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)技术支持

现在代码可以运行了。

代码的默认行为是输出一份朗读音频的 MP3 文件。如果您希望其他文件格式，可以将输出配置为任意受支持的格式。

自定义声音与输出

世界上有形形色色的声音和口音。

虽然很难一一涵盖，但 OpenAI 的 TTS 试图通过在 API 中集成六种独特的内置声音，来反映我们所处世界的多样性：

Alloy
Echo
Fable
Onyx
Nova
Shimmer

这些声音可传达不同的个性，您也可以按个人偏好选择。只需在客户端对象中通过 voice 参数设置您希望使用的 voice 即可。

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!"
)技术支持

查看 OpenAI 的文本转语音 API 文档，了解可用的声音。

您也可以更改输出格式。

API 的默认响应是将文本转换为 MP3 文件。不过，OpenAI 还提供了多种其他格式，以满足您的需求与偏好，例如：

高级音频编码（AAC）。AAC 广泛用于数字音频压缩，以压缩效率著称。因此，它是 YouTube、Android 和 iOS 等软件与应用的首选格式。如果需要在质量与文件大小之间取得平衡，或预计用户会在多种设备上收听，AAC 是一个不错的选择。
自由无损音频编码（FLAC）。谈到无损音频压缩，FLAC 是首选——这意味着它可以在不损失质量的情况下减小文件体积。音频发烧友通常偏爱 FLAC，它非常适合归档，或在带宽足以承载更大文件时使用。
Opus。如果您希望在不同比特率下兼具低延迟与良好压缩，适用于互联网流媒体与通信，可选择 Opus 格式。
MP3。即便不是技术达人也知道 MP3。它是兼容性最强、支持最广的音频文件格式，几乎适用于所有设备与软件。作为默认格式，它非常适合通用场景。

要点提示：您选择的输出格式会影响音频质量、文件大小，以及与不同设备和应用的兼容性。

在语言支持方面，文本转语音模型沿用了用于语音转文本的 Whisper 模型；这些声音针对英语进行了优化，但也支持多种其他语言。

OpenAI 文本转语音 API 的真实用例

现在我们已经了解了如何设置 TTS API，接下来看看一些可实践的用法示例。

为书面博客文章或书籍配音

假设您写了一本书或一篇博客，希望通过转换成音频扩大受众。如果采用传统方式，您需要寻找配音员（或自己配音），这可能是个漫长的过程。

使用 OpenAI TTS API 可以显著缩短流程；您只需将文本文档传给 API，它就会将其转换为语音。

用多种语言生成语音音频

语言教师无需再教授大班课程，而是可以使用 OpenAI 的文本转语音 API，为学生用不同语言与方言制作个性化课程。尽管这些声音针对英语进行了优化，但该 API 仍可用于生成多种语言的音频内容。

通过流式传输实现实时音频输出

OpenAI TTS API 可用于创建比传统 TTS 系统更逼真、更富表现力的 AI 声音。电子游戏开发者可以利用此能力，将其应用于角色之上，使玩家体验更具沉浸感。

另一个用例是打造更具吸引力的虚拟助手和聊天机器人。

了解 API 限额与定价

对于付费账户，OpenAI TTS API 的速率限制从每分钟 50 次请求（RPM）起步，最大输入长度为 4096 个字符——在默认语速下约相当于 5 分钟音频。

关于 TTS 模型，定价如下：

标准 TTS 模型：每 1,000 个字符 0.015 美元。
TTS HD 模型：每 1,000 个字符 0.030 美元。

如果您想以较低成本将 TTS API 集成到小型项目中，标准 TTS 模型可能更合适。TTS HD 模型价格略高，但提供高清音频；当音质至关重要时，这是理想选择——了解更多OpenAI 音频模型的定价。

总结

OpenAI 的文本转语音 API 是一个将文本生成高质量语音音频的端点。它内置六种声音，用户可根据用例在 TTS-1 与 TTS-1-HD 两个模型中选择；TTS-1 针对实时文本转语音优化，TTS-1-HD 则针对音质优化。

在本文中，我们介绍了：

什么是 OpenAI 的 TTS API？
如何使用
如何自定义声音与输出
真实世界的应用场景
API 限额与定价

继续学习的精选资源：

作者

Kurtis Pykes

主题

人工智能

主题

技术