🦇Open AI音频开发指南

官方文档 好的，我将为您整理一份适合初学者的 OpenAI 文本转语音（Text-to-Speech）官方开发指南的中文解释指引。内容将包括官方文档中的每个部分的简要介绍、示例代码（使用 Python 和 Java），并在最后提供一个完整的开发实例。 请稍等片刻，我整理好后会尽快呈现给您。

OpenAI 文本转语音（TTS）官方文档指南

目录

简介

OpenAI 文本转语音（Text-to-Speech，简称 TTS）API 是一个将文字转换为自然语音的接口。开发者可以通过该 API 提供文本输入，并获取由 AI 模型生成的逼真语音输出。OpenAI 的 TTS 模型当前提供 两种变体：

  • TTS-1：标准实时文本转语音模型，优化低延迟，适合实时应用（响应速度更快，但音质相对稍低）。

  • TTS-1-HD：高品质文本转语音模型，优化音质，适合追求高保真音频的场景（音质更高，但生成耗时稍长）。

此外，TTS API 内置了六种预设声音（可选择不同的发音风格或音色），声音名称分别为：alloy、echo、fable、onyx、nova、shimmer。开发者可以从中选择适合应用场景的声音，使生成的语音更符合预期效果。

主要功能和应用场景：

  • 旁白与播客：可以将博客文章、电子书或任意书面内容转换为语音进行旁白。例如，将一篇写好的博客文章转换成有声读物，扩大受众范围。

  • 多语言音频输出：支持多种语言的文本输入，将其转为相应语音输出。语言教师或内容制作者可以用它快速生成多语言的语音课程或素材，避免人工录制多个语言音频的繁琐过程。

  • 实时语音输出（流式）：支持流式生成语音，实现近实时的音频输出。这对于需要即时反馈的应用（如语音助手或游戏中的角色对话）非常有用，可以逐步生成并播放音频，减少等待时间、提升交互体验。

注意：根据 OpenAI 的使用政策，使用 TTS 功能的应用需要明确告知用户语音是由 AI 合成的而非真人，以确保用户知情。这在将生成语音用于对外的产品或内容时尤其重要。

准备工作

在开始使用 OpenAI 文本转语音 API 之前，请确保以下准备工作已经完成：

  • OpenAI 账户及 API Key：您需要拥有一个 OpenAI 帐号并开通 API 使用权限（帐号需绑定信用卡或确保有足够的额度）。登录后，在用户面板找到 “API Keys” 选项，创建一个新的密钥（Secret Key）。请务必妥善保存该密钥，离开页面后您将无法再次查看它。稍后调用 API 时需要使用此密钥用于身份认证。

  • 开发环境：确保本地已安装开发所需的环境。例如，建议安装 Python 3.7+（如果用 Python 调用），或具备 Java 开发环境（如果用 Java 调用）。也可以直接使用命令行的 curl 工具发送请求。

  • 依赖库（可选）：如果使用 Python，可安装 requests 库用于简化 HTTP 调用；如使用 Java，可使用标准库 HttpURLConnection 或第三方 HTTP 客户端。对于演示，我们将主要使用 Python 的 requests 和 Java 原生 HTTP 库进行说明。

准备好以上内容后，就可以开始调用 OpenAI TTS API 来将文字转换为语音了。

基本用法：发送第一个请求

OpenAI TTS API 提供的HTTP端点为 POST https://api.openai.com/v1/audio/speech。请求需要在HTTP头中包含认证信息和内容类型，并在请求体传入必要的参数。最少需要提供的参数有三个：

  • model：使用的模型名称，填写 "tts-1" 或 "tts-1-hd"。

  • input：要转换为语音的文本字符串。

  • voice：选择的语音名称，例如 "alloy"（默认值一般为 "alloy"）。

下面我们通过三种方式演示基本的 API 调用：使用 curl 命令、使用 Python 的 requests 库、以及使用 Java 的 HTTP 请求来完成相同的任务。这些示例会将 "Hello, world!" 这句话转换为语音并获取音频数据。

方法一：使用 cURL 命令行调用

curl https://api.openai.com/v1/audio/speech \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
        "model": "tts-1",
        "voice": "alloy",
        "input": "Hello, world!"
      }' \
  --output output.mp3

上述命令通过 -H 选项添加认证头，其中将 YOUR_API_KEY 替换为您自己的 API 密钥。请求体（-d 选项部分）包含 JSON 格式的参数。--output output.mp3 用于将返回的音频内容直接保存为文件 output.mp3。执行后，如果请求成功，output.mp3 文件即为生成的语音音频（默认为 MP3 格式）。

方法二：使用 Python (requests 库) 调用

import requests
import json

API_KEY = "你的API密钥"  # 请替换为实际的 API Key
url = "https://api.openai.com/v1/audio/speech"
headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}
data = {
    "model": "tts-1",
    "voice": "alloy",
    "input": "Hello, world!"
}

response = requests.post(url, headers=headers, json=data)
if response.status_code == 200:
    # 将返回的二进制音频内容保存为文件
    with open("output.mp3", "wb") as f:
        f.write(response.content)
    print("音频已保存为 output.mp3")
else:
    print(f"请求失败，状态码: {response.status_code}, 响应: {response.text}")

在上述 Python 代码中，我们构建了POST请求，将 model、voice 和 input 作为 JSON 发送。成功后，使用 response.content 获得二进制音频数据并保存为本地文件 output.mp3。请确保网络请求库已安装 (pip install requests)。

方法三：使用 Java 原生 HTTP 调用

import java.io.*;
import java.net.HttpURLConnection;
import java.net.URL;
import java.nio.charset.StandardCharsets;
import java.nio.file.Files;
import java.nio.file.Paths;

public class OpenAITTSExample {
    public static void main(String[] args) throws IOException {
        String apiKey = "你的API密钥";  // 替换为实际 API Key
        URL url = new URL("https://api.openai.com/v1/audio/speech");
        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        conn.setRequestMethod("POST");
        conn.setRequestProperty("Authorization", "Bearer " + apiKey);
        conn.setRequestProperty("Content-Type", "application/json");
        conn.setDoOutput(true);
        // 构造请求 JSON 字符串
        String jsonBody = "{\"model\":\"tts-1\",\"voice\":\"alloy\",\"input\":\"Hello, world!\"}";
        try(OutputStream os = conn.getOutputStream()) {
            os.write(jsonBody.getBytes(StandardCharsets.UTF_8));
        }
        // 读取响应音频数据并保存为文件
        try(InputStream in = conn.getInputStream()) {
            Files.copy(in, Paths.get("output.mp3"));
        }
        System.out.println("音频已保存为 output.mp3");
    }
}

上述 Java 程序使用 HttpURLConnection 手动创建 HTTP 请求，发送 JSON 数据并将返回的音频流保存到 output.mp3 文件。运行该程序后，如无错误，当前目录下将出现生成的语音文件。

以上三种方式都完成了相同的任务：调用 OpenAI TTS API，将文本转换为语音文件。如果请求成功，您现在应该已经获得了一段 "Hello, world!" 的语音音频。

选择模型和语音

OpenAI 提供了两个模型（TTS-1 和 TTS-1-HD）以及六种预设语音供我们选择。根据不同应用需求，我们可以调整这些参数：

  • 模型选择（Model）：

    • TTS-1 模型：适用于实时应用，如需要较低延迟的语音对话、语音助手等。它响应速度更快，但音频质量相对于 HD 稍低。

    • TTS-1-HD 模型：适用于高音质要求的场景，例如有声读物、广播等。它输出的语音更加清晰自然，但因为模型更复杂，生成时间略长于 TTS-1。

    模型选择小建议：如果您的应用对响应速度要求高（如即时交互），优先使用标准模型 TTS-1；如果对音质要求更高且可以容忍稍长的等待，考虑使用 TTS-1-HD。

  • 语音选择（Voice）：六种语音各有不同的音色和风格：

    • alloy – 默认声音，稳重温和的音色

    • echo – 类似回声效果，清亮青年音色

    • fable – 讲故事语气的音色

    • onyx – 男性偏低沉的深色音色

    • nova – 明亮女性音色

    • shimmer – 闪烁般略带柔和感的音色

    （以上描述为方便理解，并非官方说明词，仅用来帮助初学者区分语音风格。）开发者可以根据场景选择合适的声音，比如教育应用可能选择更温和的声音，而游戏角色可能选用个性更鲜明的声音。

使用不同模型和语音非常简单，只需在请求中调整 model 和 voice 参数值。例如，将模型换为高清模型、语音换为 nova 的请求代码：

data = {
    "model": "tts-1-hd",           # 切换为高质量模型
    "voice": "nova",              # 切换为女性风格声音
    "input": "欢迎使用 OpenAI 文本转语音 API！"
}
response = requests.post(url, headers=headers, json=data)
# 处理响应同上...

上例将使用 TTS-1-HD 模型和 Nova 声音来朗读中文句子“欢迎使用 OpenAI 文本转语音 API！”。TTS 模型支持多语言文本输入，虽然每个预设声音主要针对英语优化，但也能以多种语言输出语音。也就是说，您可以传入中文、英文、西班牙文等文本，API 会尝试用所选声音朗读相应语言的内容。事实上，这些语音使用的底层技术与 OpenAI Whisper 模型类似，支持多达二十多种语言的合成。请注意，不同语言的发音可能带有声音自身的语调或口音，但整体能保证可懂度。

输出格式和语速调整

默认情况下，OpenAI TTS API 返回的音频格式为 MP3（MPEG 音频）。MP3 是一种通用格式，体积小且几乎被所有设备支持。但根据应用需求，您可能需要其他格式或特定的音频参数。官方提供了**response_format** 参数，可指定输出格式。支持的格式包括：

  • MP3：默认格式，通用且体积较小，适合大多数场景和设备。

  • AAC：高级音频编码格式，压缩效率高，在 iOS、Android、YouTube 等平台广泛支持。如果需要在应用中平衡质量和文件大小，AAC 是不错的选择。

  • FLAC：无损音频压缩格式，可以在不降低音质的情况下减少文件体积。适合对音质要求极高（例如档案保存）的情况，但文件会比有损格式大。

  • Opus：一种专为网络传输设计的低延迟高压缩格式，可在各种比特率下保持良好音质，适用于实时通信或流媒体音频。

要获得以上不同格式，只需在请求 JSON 中增加 "response_format" 字段。例如，若希望获取无损音质的 FLAC 文件，可以这样设置：

data = {
    "model": "tts-1",
    "voice": "alloy",
    "input": "This is a high quality audio test.",
    "response_format": "flac"   # 指定输出FLAC格式
}
response = requests.post(url, headers=headers, json=data)
with open("output.flac", "wb") as f:
    f.write(response.content)

上例请求了 FLAC 格式的音频，并将结果保存为 output.flac。类似地，可以将 response_format 值改为 "aac"、"opus" 等以获取对应格式的文件。如果不指定该参数，则默认返回 MP3 格式。

语速调节（Speed）：TTS API 还允许通过 speed 参数调整语音的播放速度（语速）。默认值为 1.0 表示正常速度。可以使用小于1的值放慢语速，或大于1的值加快语速。例如，0.8 大概是偏慢的语速（慢20%），1.5 则是偏快的语速（快50%）。可用范围约在 0.5 倍速（减慢一半）到 2.0 倍速（加快一倍）之间。下面是一个将语速降低为80%的示例：

data = {
    "model": "tts-1",
    "voice": "fable",
    "input": "Reading at a slower pace for clarity.",
    "response_format": "mp3",
    "speed": 0.8    # 将语速调慢至原来的80%
}
response = requests.post(url, headers=headers, json=data)
with open("slow_output.mp3", "wb") as f:
    f.write(response.content)

此请求会用 fable 声音以较慢的速度朗读给定文本，从而生成一个名为 slow_output.mp3 的音频文件。在不同场景下（如语音学习应用希望慢速朗读，或提高旁白紧凑度希望快速朗读），speed 参数都可以发挥作用。

小贴士： 调整输出格式和语速可能会影响音频文件大小、质量和用户体验。无损格式音质最佳但文件较大，低速朗读清晰易懂但时长变长，高速朗读可节省时间但可能难以听清。根据具体使用场景选择合适的参数组合，达到最佳平衡。

实时流式音频输出

对于一些互动性强的应用，如语音助手、实时翻译或游戏对话，降低语音输出延迟非常关键。OpenAI TTS 提供了流式生成语音的能力，使得音频可以在文本还未完全转换完时就开始播放，做到边生成边输出，提升实时性。

在默认模式下，调用 /v1/audio/speech 接口会等待整个语音处理完成后一次性返回完整音频文件。如果输入文本较长，这意味着用户需要等待一段时间才能听到语音。而流式输出模式下，API 将分块(chunk)传输音频数据，您的应用可以一边接收数据块一边播放，实现近实时的语音反馈。

要使用流式功能，在编程时需要逐步读取HTTP响应流。例如，在 Python 中，如果使用 OpenAI 提供的官方库，调用 client.audio.speech.create(..., stream=True)（或使用类似 response.iter_content()）可以获取一个生成器，不断产出音频数据块。官方 OpenAI Python SDK 的示例：

import openai
openai.api_key = "你的API密钥"

response = openai.Audio.speech_create(
    model="tts-1",
    voice="alloy",
    input="Hello, this is a streaming test.",
    stream=True                   # 启用流式输出
)
with open("streamed_output.mp3", "wb") as f:
    for chunk in response:
        if chunk:  # 持续写入数据块
            f.write(chunk)

上面的示例使用 OpenAI 的 Python 库，通过设置 stream=True 来开启流式输出，然后将返回的音频数据流按块写入文件。当然，实际实时播放时，可在获取到第一个数据块后立即开始播放，同时继续接收后续块，而不是先全部写入文件。

如果不使用官方SDK，您也可以直接使用 requests 库的流式模式（stream=True）处理响应。例如：

response = requests.post(url, headers=headers, json=data, stream=True)
with open("streamed_output.mp3", "wb") as f:
    for chunk in response.iter_content(chunk_size=8192):
        if chunk:
            f.write(chunk)
            # 您可以在这里将chunk送入音频播放缓冲，实现边下边播

通过上述方法，您可以实现边生成边播放。请注意，流式音频主要适用于需要即时反馈的场景，而对于离线批量生成音频的场合，直接获取完整文件更简单。

API 使用限制与定价

在使用 OpenAI 文本转语音 API 时，需要了解一些配额限制和计费标准：

  • 请求速率限制：默认情况下，付费账户每分钟最多可调用 50 次 /v1/audio/speech 接口（50 RPM）。如果超过该速率可能会收到限流错误。对于大型应用，可考虑申请更高的限额。

  • 文本长度限制：单次请求的输入文本上限约为 4096 个字符（约合 4KB 文本）。这一长度大约对应 5 分钟左右的语音（在默认语速下）。如果需要转换更长的文本，需要将其分段多次请求，然后将多段音频拼接。

  • 计费方式：TTS 调用的费用按输入文本的字符数计算，不同模型的费率不同：

    • 标准 TTS-1 模型：约 $0.015 美元 / 每 1000 个字符。

    • 高清 TTS-1-HD 模型：约 $0.030 美元 / 每 1000 个字符。

    举例来说，使用标准模型转换一段 1000 字的文本约花费 $0.015，美式单位约等于 1.5 美分；高清模型则约 3 美分/1000字。这个价格相对于人工配音是非常低廉的，平均每分钟语音成本约为 $0.015（标准模型下）。当然，实际费用会根据您的文本长度精确按比例计算。

  • 模型选择与成本考虑：如果您是个人开发者或小型项目、预算有限，建议优先使用标准 TTS-1 模型以降低成本。标准模型已经能提供相当自然的语音效果。只有在对音质要求极高并且有足够预算时，再考虑使用成本较高的 TTS-1-HD 模型。

最后，请留意 OpenAI 定期更新的官方定价信息。上面的价格是撰写本文时的标准费率，未来可能有所调整。

完整开发示例：从 API Key 到语音文件

本节将以一个完整的流程示例，演示如何使用 OpenAI 文本转语音 API 将一段文本转换为音频文件并播放。我们将按步骤说明，从获取 API Key 一直到收听生成的语音。

步骤1：获取 OpenAI API Key 登录 OpenAI 开发者平台（platform.openai.com），点击左侧菜单的“View API keys”（API 密钥）。如果没有现有密钥，点击“Create new secret key”生成一个新的 API Key。复制保存该密钥，在整个使用过程中将用它来验证您的身份。切记不要将 API 密钥公开在客户端代码或版本库中。

步骤2：准备开发环境 确保您的电脑上安装了必要的软件。例如，安装 Python 3 并通过 pip install requests 安装 requests 库用于HTTP请求。如果希望使用 Java，也请确保项目中可以进行 HTTP POST 请求（无需特殊库也可使用标准库）。在此示例中，我们将使用 Python 语言来完成后续步骤。

步骤3：编写代码并发送请求 下面是一个 Python 脚本示例，它将把一小段中文文本转换成语音：

import requests

API_KEY = "在此填写您的API密钥"
url = "https://api.openai.com/v1/audio/speech"
headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}
data = {
    "model": "tts-1",                   # 使用标准实时模型
    "voice": "alloy",                  # 选择默认的 Alloy 声音
    "input": "今天天气很好，我们来体验一下 OpenAI 的语音合成功能吧！"
}

print("正在请求 OpenAI 文本转语音 API ...")
response = requests.post(url, headers=headers, json=data)
if response.status_code == 200:
    # 将响应的音频内容写入文件
    with open("result.mp3", "wb") as f:
        f.write(response.content)
    print("音频生成成功，已保存为 result.mp3")
else:
    print(f"请求失败，状态码: {response.status_code}")
    print("错误信息：", response.text)

运行上述脚本时，请将 API_KEY 替换为您自己的密钥。脚本会将输入的中文句子发送给 OpenAI TTS API，并将返回的语音保存为 result.mp3。如果在终端看到“音频生成成功”的提示，说明调用成功。

步骤4：播放生成的音频 现在，我们得到了语音文件 result.mp3。您可以通过多种方式播放它：

  • 使用系统默认播放器：直接双击或使用命令行打开 result.mp3 文件。例如在 Windows 上，文件会用默认音乐播放器打开；在 macOS 上，可以用 open result.mp3 命令播放；在 Linux 上使用 xdg-open result.mp3 或类似命令。

  • 使用编程库播放：如果您希望在代码中自动播放音频，可以使用相应语言的音频播放库。例如，在 Python 中可以安装 playsound 库，然后调用 playsound("result.mp3") 播放；Java 中可以使用 JavaFX 或其他音频API来加载 result.mp3 并播放。

在本示例中，我们假定开发者手动打开文件收听。您应该能听到合成的语音朗读了：“今天天气很好，我们来体验一下 OpenAI 的语音合成功能吧！”。恭喜，这表示您已经成功完成了从获取密钥、调用 API 到生成并播放语音的整个流程。

通过上述指南，我们从官方文档出发，逐步介绍了 OpenAI 文本转语音 API 的各个方面：核心概念、如何使用、可调整的参数以及实际的开发流程。希望这些内容对初学者清晰易懂，帮助您顺利将强大的 TTS 功能集成到自己的应用中。祝您在开发中玩转 OpenAI 的语音合成功能！

PreviousOpen AI图像生成开发指南NextDeepSeek 开发指引

Last updated