はじめに
テキスト読み上げ(TTS)APIは、高度な生成AIモデルに基づいており、入力されたテキストをリアルな音声オーディオに変換できます。さまざまな用途をサポートしています。- 書かれたブログ記事にナレーションを付ける
- 複数の言語で音声オーディオを生成する
- リアルタイムの音声出力ストリームを提供する
- gpt-4o-audio-preview —— OpenAIの最新の音声生成モデルで、対話型音声生成をサポート
- gpt-4o-mini-tts —— スマートなリアルタイムアプリケーションに最適なモデルで、高度な音声制御をサポートし、プロンプトを通じてさまざまな音声特性を制御できます。
- アクセント (Accent)
- 感情の範囲 (Emotional range)
- イントネーション (Intonation)
- 印象/スタイル (Impressions)
- 話す速度 (Speed of speech)
- トーン (Tone)
- ささやき (Whispering)
- tts-1-hd —— 高音質の旧世代TTSモデル
- tts-1 —— 標準TTSモデルで、品質と速度のバランスが取れています
モデル呼び出し方法
標準TTSモデル(tts-1, tts-1-hd)
/v1/audio/speech エンドポイントを使用し、client.audio.speech.create() メソッドを介して呼び出します。
gpt-4o-mini-tts モデル
/v1/audio/speech エンドポイントを使用し、高度な音声制御のために instructions パラメータをサポートします。
gpt-4o-audio-preview モデル
/v1/chat/completions エンドポイントを使用し、modalities: ["text", "audio"] と audio 設定が必要です。
リクエストパラメータ
標準TTSパラメータ(tts-1, tts-1-hd, gpt-4o-mini-ttsに適用)
gpt-4o-audio-preview パラメータ
使用方法
最終更新日:2026-06-01