تحويل الصوت إلى نص يستمع. وتحويل النص إلى كلام يردّ. والمساعدات الصوتية تحتاج إلى الاثنين.
كيف يعمل
تستقبل واجهة TTS ثلاثة أشياء: النص، والصوت، وصيغة الصوت. وهذا شكل مثال Python في دليل OpenAI:
from openai import OpenAI
client = OpenAI()
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.mp3")
يوثّق الدليل نقطة النهاية /v1/audio/speech، و13 صوتًا مدمجًا، وصيغ المخرجات MP3 (الافتراضية) وOpus وAAC وFLAC وWAV وPCM، وPCM عينات خام بمعدل 24 kHz وعمق 16 بت بلا ترويسة. ويدعم البث المتدفق بترميز النقل المجزّأ (chunked transfer encoding)، فيبدأ التشغيل قبل اكتمال الملف، ويوصي بـ WAV أو PCM لأسرع استجابة. ويصنّف الدليل أيضًا tts-1 وtts-1-hd وgpt-4o-mini-tts نماذج متقادمة، يُوقف تشغيلها في 6 يناير 2027. تحقق من قائمة النماذج الحالية قبل أن تبني على أي منها.
وتقبل محركات كثيرة أيضًا SSML، لغة الترميز XML من W3C لتركيب الكلام. يعلن العنصر الجذر <speak> السمتين version="1.1" وxml:lang. ومن العناصر الأخرى <break> للوقفات، و<say-as> لتمييز التواريخ أو الأرقام، و<phoneme> لنطق محدد بدقة (مثلًا بالأبجدية الصوتية IPA)، و<lang> لعبارة بلغة أخرى:
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
لماذا يهم
- المنتجات الصوتية سلاسل معالجة. روبوت المحادثة الصوتي هو تحويل الصوت إلى نص، ثم نموذج محادثة، ثم TTS. وكل خطوة تضيف زمن استجابة وتكلفة، وقد تكون كل خطوة لدى مزوّد مختلف.
- اختيار الصيغة. صيغة المخرجات تحدد الحجم ودعم التشغيل. فواتساب مثلًا يشغّل الملاحظات الصوتية بصيغة Ogg Opus.
- الإفصاح. تشترط OpenAI إخبار المستخدمين النهائيين بأن صوت TTS مولَّد بالذكاء الاصطناعي.
في BroadNet Inference
لا تقدّم BroadNet تحويل النص إلى كلام. فمرجعها التقني لا يوثّق إلا POST /v1/chat/completions وPOST /v1/audio/transcriptions. وهي تقدّم الاتجاه المعاكس: BroadNet Transcribe Arabic وBroadNet Transcribe يحوّلان صوت WAV أو MP3 إلى نص، بسعر $0.0042 و$0.002 للدقيقة. ولا تقدّم BroadNet أيضًا أي صوت مباشر أو فوري.
إذا كان منتجك يحتاج إلى النطق، فاجمع التفريغ الصوتي والمحادثة من BroadNet مع مزوّد TTS منفصل. يحدد مقال النص والكلام والرؤية المهام التي تغطيها BroadNet ومتى تحتاج إلى خدمة أخرى، ويعرض مقال بنية روبوت محادثة واتساب جانب الملاحظات الصوتية من سلسلة المعالجة.
أخطاء شائعة
- الخلط بين TTS وSTT. واجهات تحويل الصوت إلى نص لا تولّد صوتًا. تحقق من قائمة نقاط النهاية، لا من كلمة «speech» وحدها.
- افتراض أن SSML تعمل في كل مكان. كثير من الواجهات لا تقبل إلا نصًا عاديًا أو جزءًا من SSML.