OpenAI 文字转语音

tts-1、tts-1-hd 和 gpt-4o-mini-tts 已弃用，将于 2027年1月6日关闭。应迁移到 Realtime API 的 gpt-realtime-2.1-mini。这需要更换 API 工作流，不能把该模型直接用于 /v1/audio/speech。关闭前，既有集成仍可使用下方 Speech API 流程。见弃用公告。

Audio API 的 speech 端点基于 GPT-4o mini TTS 文字转语音模型。原页导言称其包含 11 种内置声音，可用于：

朗读博客文章。
生成多种语言的语音。
通过流式传输实时输出音频。

以下是 alloy 声音示例：

alloy 声音示例：

打开原始音频

使用政策要求向终端用户明确告知：听到的 TTS 声音由 AI 生成，并非真人。

快速开始

speech 端点接受三个关键输入：

使用的模型。
要转换为音频的文字。
用于朗读输出的声音。

从输入文字生成语音的请求示例：

来源示例 1（javascript）：

程序文字译释132：今天是创造人们喜爱之物的美好一天！

程序文字译释133：用欢快、积极的语气讲话。

// [中文] 示例 1：快速开始；以下保留本语言原始示例。
// [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
import fs from "fs";
import path from "path";
import OpenAI from "openai";

const openai = new OpenAI();
const speechFile = path.resolve("./speech.mp3");

const mp3 = await openai.audio.speech.create({
  model: "gpt-4o-mini-tts",
  voice: "coral",
  input: "Today is a wonderful day to build something people love!",
  instructions: "Speak in a cheerful and positive tone.",
});

const buffer = Buffer.from(await mp3.arrayBuffer());
await fs.promises.writeFile(speechFile, buffer);

来源示例 2（python）：

沿用程序文字译释132。

沿用程序文字译释133。

## [中文] 示例 2：快速开始；以下保留本语言原始示例。
## [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
## [中文] 沿原示例执行这些方法：client.audio.speech.with_streaming_response.create；异步调用及事件接收顺序保留。
from pathlib import Path
from openai import OpenAI

client = OpenAI()
speech_file_path = Path(__file__).parent / "speech.mp3"

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file(speech_file_path)

来源示例 3（go）：

沿用程序文字译释132。

沿用程序文字译释133。

// [中文] 示例 3：快速开始；以下保留本语言原始示例。
// [中文] 沿原示例执行这些方法：client.Audio.Speech.New；异步调用及事件接收顺序保留。
package main

import (
    "context"
    "io"
    "os"

    "github.com/openai/openai-go/v3"
)

func main() {
    client := openai.NewClient()
    response, err := client.Audio.Speech.New(context.Background(), openai.AudioSpeechNewParams{
        Model:        openai.SpeechModelGPT4oMiniTTS,
        Voice:        openai.AudioSpeechNewParamsVoiceUnion{OfAudioSpeechNewsVoiceString2: openai.String("coral")},
        Input:        "Today is a wonderful day to build something people love!",
        Instructions: openai.String("Speak in a cheerful and positive tone."),
    })
    if err != nil {
        panic(err)
    }
    defer response.Body.Close()

    file, err := os.Create("speech.mp3")
    if err != nil {
        panic(err)
    }
    if _, err := io.Copy(file, response.Body); err != nil {
        panic(err)
    }
    if err := file.Close(); err != nil {
        panic(err)
    }
}

来源示例 4（java）：

沿用程序文字译释132。

沿用程序文字译释133。

// [中文] 示例 4：快速开始；以下保留本语言原始示例。
// [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.core.http.HttpResponse;
import com.openai.models.audio.speech.SpeechCreateParams;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.StandardCopyOption;

try (HttpResponse audio =
    client
        .audio()
        .speech()
        .create(
            SpeechCreateParams.builder()
                .model("gpt-4o-mini-tts")
                .voice("coral")
                .input("Today is a wonderful day to build something people love!")
                .instructions("Speak in a cheerful and positive tone.")
                .build())) {
  Files.copy(audio.body(), Path.of("speech.mp3"), StandardCopyOption.REPLACE_EXISTING);
}

来源示例 5（csharp）：

沿用程序文字译释132。

沿用程序文字译释133。

// [中文] 示例 5：快速开始；以下保留本语言原始示例。
// [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
// [中文] 沿原示例执行这些方法：client.GenerateSpeechAsync；异步调用及事件接收顺序保留。
using OpenAI.Audio;
#pragma warning disable OPENAI001

string key = Environment.GetEnvironmentVariable("OPENAI_API_KEY")!;
string model = "gpt-4o-mini-tts";
AudioClient client = new(model, key);

BinaryData audio = await client.GenerateSpeechAsync(
    "Today is a wonderful day to build something people love!",
    GeneratedSpeechVoice.Coral,
    new SpeechGenerationOptions
    {
        Instructions = "Speak in a cheerful and positive tone.",
    }
);

await File.WriteAllBytesAsync("speech.mp3", audio.ToArray());

来源示例 6（ruby）：

沿用程序文字译释132。

沿用程序文字译释133。

## [中文] 示例 6：快速开始；以下保留本语言原始示例。
## [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
## [中文] 沿原示例执行这些方法：client.audio.speech.create；异步调用及事件接收顺序保留。
require "openai"

client = OpenAI::Client.new
audio = client.audio.speech.create(
  model: "gpt-4o-mini-tts",
  voice: "coral",
  input: "Today is a wonderful day to build something people love!",
  instructions: "Speak in a cheerful and positive tone."
)
File.binwrite("speech.mp3", audio.read)

来源示例 7（bash）：

程序文字译释134：待朗读文字：“今天是创造人们喜爱之物的美好一天！”表达指令：“用欢快、积极的语气讲话。”

## [中文] 示例 7：快速开始；以下保留本语言原始示例。
## [中文] 本段涉及的 HTTP 端点：/v1/audio/speech；认证和请求体保持原示例形式。
curl https://api.openai.com/v1/audio/speech \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini-tts",
    "input": "Today is a wonderful day to build something people love!",
    "voice": "coral",
    "instructions": "Speak in a cheerful and positive tone."
  }' \
  --output speech.mp3

来源示例 8（bash）：

沿用程序文字译释132。

沿用程序文字译释133。

## [中文] 示例 8：快速开始；以下保留本语言原始示例。
## [中文] 通过 CLI 调用 Speech API，选择 coral 声音，将给定英文输入按欢快积极的语气生成到 speech.mp3。
## [中文] gpt-4o-mini-tts 是此旧集成示例的模型；按本页弃用说明安排迁移，不能只把模型名换成 Realtime 模型继续调用此命令。
openai audio:speech create \
  --model gpt-4o-mini-tts \
  --voice coral \
  --instructions "Speak in a cheerful and positive tone." \
  --input "Today is a wonderful day to build something people love!" \
  --output speech.mp3

端点默认输出 MP3，也可以配置其他支持的格式。

文字转语音模型

已有 Speech API 集成中，gpt-4o-mini-tts 可通过提示词控制：

口音。
情绪范围。
语调。
模仿表现。
语速。
语气。
耳语。

另有 tts-1 与 tts-1-hd。tts-1 延迟较低，但质量低于 tts-1-hd。

声音选项

原页此处列出 13 种内置声音，控制文字如何呈现为语音。可在交互演示 OpenAI.fm 中试听，试用 OpenAI API 的文字转语音模型。声音目前针对英语优化。

alloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse、marin、cedar。

为获得较好质量，推荐 marin 或 cedar。

可用声音取决于模型。tts-1、tts-1-hd 支持较小集合：alloy、ash、coral、echo、fable、onyx、nova、sage、shimmer。

译注：所提供原文的导言写 11 种，此处写 13 种并列出 13 个名称，数量不一致已列为待核项，不据此推定所有模型支持相同集合。

Realtime API 的声音集合略有不同，当前选项见 Realtime 对话指南。

实时流式音频

Speech API 支持分块传输编码，因此整个文件生成完并可获取之前，就能播放音频。

将输入文字生成的语音直接流式播放到扬声器：

来源示例 9（javascript）：

沿用程序文字译释132。

沿用程序文字译释133。

// [中文] 示例 9：实时流式音频；以下保留本语言原始示例。
// [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
import OpenAI from "openai";
import { playAudio } from "openai/helpers/audio";

const openai = new OpenAI();

const response = await openai.audio.speech.create({
  model: "gpt-4o-mini-tts",
  voice: "coral",
  input: "Today is a wonderful day to build something people love!",
  instructions: "Speak in a cheerful and positive tone.",
  response_format: "wav",
});

await playAudio(response);

来源示例 10（python）：

沿用程序文字译释132。

沿用程序文字译释133。

## [中文] 示例 10：实时流式音频；以下保留本语言原始示例。
## [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
import asyncio

from openai import AsyncOpenAI
from openai.helpers import LocalAudioPlayer

openai = AsyncOpenAI()


async def main() -> None:
    async with openai.audio.speech.with_streaming_response.create(
        model="gpt-4o-mini-tts",
        voice="coral",
        input="Today is a wonderful day to build something people love!",
        instructions="Speak in a cheerful and positive tone.",
        response_format="pcm",
    ) as response:
        await LocalAudioPlayer().play(response)


if __name__ == "__main__":
    asyncio.run(main())

来源示例 11（go）：

沿用程序文字译释132。

沿用程序文字译释133。

// [中文] 示例 11：实时流式音频；以下保留本语言原始示例。
// [中文] 沿原示例执行这些方法：client.Audio.Speech.New；异步调用及事件接收顺序保留。
package main

import (
    "context"
    "io"
    "os"

    "github.com/openai/openai-go/v3"
)

func main() {
    client := openai.NewClient()
    response, err := client.Audio.Speech.New(context.Background(), openai.AudioSpeechNewParams{
        Model:          openai.SpeechModelGPT4oMiniTTS,
        Voice:          openai.AudioSpeechNewParamsVoiceUnion{OfAudioSpeechNewsVoiceString2: openai.String("coral")},
        Input:          "Today is a wonderful day to build something people love!",
        Instructions:   openai.String("Speak in a cheerful and positive tone."),
        ResponseFormat: openai.AudioSpeechNewParamsResponseFormatWAV,
    })
    if err != nil {
        panic(err)
    }
    defer response.Body.Close()
    if _, err := io.Copy(os.Stdout, response.Body); err != nil {
        panic(err)
    }
}

来源示例 12（java）：

沿用程序文字译释132。

沿用程序文字译释133。

程序文字译释135：音频字节数。

// [中文] 示例 12：实时流式音频；以下保留本语言原始示例。
// [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.core.http.HttpResponse;
import com.openai.models.audio.speech.SpeechCreateParams;
import java.io.IOException;
import java.io.OutputStream;
import java.nio.file.Files;
import java.nio.file.Path;
import javax.sound.sampled.AudioFormat;
import javax.sound.sampled.AudioSystem;
import javax.sound.sampled.LineUnavailableException;
import javax.sound.sampled.SourceDataLine;

try (HttpResponse audio =
    client
        .audio()
        .speech()
        .create(
            SpeechCreateParams.builder()
                .model("gpt-4o-mini-tts")
                .voice("coral")
                .input("Today is a wonderful day to build something people love!")
                .instructions("Speak in a cheerful and positive tone.")
                .responseFormat(SpeechCreateParams.ResponseFormat.PCM)
                .streamFormat(SpeechCreateParams.StreamFormat.AUDIO)
                .build())) {
  AudioFormat format = new AudioFormat(24_000, 16, 1, true, false);
  String outputPath = System.getenv("OPENAI_EXAMPLE_AUDIO_OUTPUT_PATH");
  if (outputPath == null || outputPath.isBlank()) {
    try (SourceDataLine speakers = AudioSystem.getSourceDataLine(format)) {
      speakers.open(format);
      speakers.start();
      byte[] chunk = new byte[1024];
      int bytesRead;
      while ((bytesRead = audio.body().read(chunk)) != -1) {
        speakers.write(chunk, 0, bytesRead);
      }
      speakers.drain();
    }
  } else {
    try (OutputStream output = Files.newOutputStream(Path.of(outputPath))) {
      long bytes = audio.body().transferTo(output);
      System.out.println(bytes + " audio bytes");
    }
  }
}

来源示例 13（ruby）：

程序文字译释136：欢迎使用OpenAI API。

## [中文] 示例 13：实时流式音频；以下保留本语言原始示例。
## [中文] 原代码明确设置的模型值：gpt-4o-mini-tts；各值的作用按其所在配置对象区分。
## [中文] 沿原示例执行这些方法：client.audio.speech.create；异步调用及事件接收顺序保留。
require "openai"

client = OpenAI::Client.new
audio = client.audio.speech.create(
  model: "gpt-4o-mini-tts",
  voice: "alloy",
  input: "Welcome to the OpenAI API.",
  response_format: :pcm,
  stream_format: :audio
)
while (chunk = audio.read(1_024))
  puts(chunk.bytesize)
end

来源示例 14（bash）：

程序文字译释137：朗读“今天是创造人们喜爱之物的美好一天”，语气欢快积极，输出格式WAV。

## [中文] 示例 14：实时流式音频；以下保留本语言原始示例。
## [中文] 本段涉及的 HTTP 端点：/v1/audio/speech；认证和请求体保持原示例形式。
curl https://api.openai.com/v1/audio/speech \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini-tts",
    "input": "Today is a wonderful day to build something people love!",
    "voice": "coral",
    "instructions": "Speak in a cheerful and positive tone.",
    "response_format": "wav"
  }' | ffplay -i -

追求最快响应时间时，推荐 wav 或 pcm 响应格式。

支持的输出格式

默认是 mp3，也支持 opus、wav 等格式：

MP3：默认格式，适用于一般场景。
Opus：低延迟，适合网络流传输与通信。
AAC：数字音频压缩，常用于 YouTube、Android、iOS。
FLAC：无损压缩，适合音频爱好者归档。
WAV：未压缩，避免解码开销，适合低延迟应用。
PCM：类似 WAV，但不带文件头，为 24 kHz、16 位有符号、小端序的原始采样。

支持的语言

TTS 的语言支持大体沿用 Whisper。尽管声音针对英语优化，Whisper 支持的以下语言也可获得良好表现：

南非荷兰语、阿拉伯语、亚美尼亚语、阿塞拜疆语、白俄罗斯语、波斯尼亚语、保加利亚语、加泰罗尼亚语、中文、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、加利西亚语、德语、希腊语、希伯来语、印地语、匈牙利语、冰岛语、印度尼西亚语、意大利语、日语、卡纳达语、哈萨克语、韩语、拉脱维亚语、立陶宛语、马其顿语、马来语、马拉地语、毛利语、尼泊尔语、挪威语、波斯语、波兰语、葡萄牙语、罗马尼亚语、俄语、塞尔维亚语、斯洛伐克语、斯洛文尼亚语、西班牙语、斯瓦希里语、瑞典语、他加禄语、泰米尔语、泰语、土耳其语、乌克兰语、乌尔都语、越南语和威尔士语。

用所选语言提供输入文字，即可生成该语言的语音。

自定义声音

使用讲话者的授权录音及匹配样本，创建获准使用的自定义声音。资格、录音要求、授权声明与请求见自定义声音。

创建声音

按照创建自定义声音操作。

生成语音时使用声音

生成语音时传入已创建的声音 ID。见语音生成示例。

OpenAI 文字转语音

快速开始

文字转语音模型

声音选项

实时流式音频

支持的输出格式

支持的语言

自定义声音

创建声音

生成语音时使用声音

相关指南