BroadRouter

टेक्स्ट-टू-स्पीच (text-to-speech, TTS)

अपडेट किया गया

टेक्स्ट-टू-स्पीच (TTS), या स्पीच सिंथेसिस, लिखे टेक्स्ट को बोले गए ऑडियो में बदलता है। TTS API टेक्स्ट, एक आवाज़ और MP3 या WAV जैसा आउटपुट फ़ॉर्मैट लेता है और जनरेट की गई आवाज़ लौटाता है। यह स्पीच-टू-टेक्स्ट का उलटा है, जो ऑडियो को टेक्स्ट में बदलता है।

अन्य नाम: टेक्स्ट टू स्पीच, स्पीच सिंथेसिस, आवाज़ में बदलना, text to speech kya hai, tts kya hai, TTS, text to speech, speech synthesis

स्पीच-टू-टेक्स्ट सुनता है। टेक्स्ट-टू-स्पीच जवाब में बोलता है। वॉइस असिस्टेंट को दोनों चाहिए।

यह कैसे काम करता है

TTS API तीन चीज़ें लेता है: टेक्स्ट, एक आवाज़ और एक ऑडियो फ़ॉर्मैट। OpenAI की गाइड के Python उदाहरण का ढाँचा यह है:

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")

इसकी गाइड /v1/audio/speech एंडपॉइंट, 13 बिल्ट-इन आवाज़ें, और आउटपुट फ़ॉर्मैट MP3 (डिफ़ॉल्ट), Opus, AAC, FLAC, WAV और PCM दर्ज करती है, जहाँ PCM बिना हेडर वाले कच्चे 24 kHz 16-बिट सैंपल हैं। यह chunked transfer encoding के साथ स्ट्रीमिंग सपोर्ट करती है, इसलिए फ़ाइल पूरी होने से पहले प्लेबैक शुरू हो सकता है, और सबसे तेज़ रिस्पॉन्स के लिए WAV या PCM सुझाती है। गाइड tts-1, tts-1-hd और gpt-4o-mini-tts को deprecated भी बताती है, जिनका शटडाउन 6 जनवरी 2027 को है। किसी मॉडल पर बनाने से पहले मौजूदा मॉडल सूची जाँचें।

कई इंजन SSML भी लेते हैं, जो सिंथेसिस के लिए W3C का XML मार्कअप है। रूट <speak> एलिमेंट version="1.1" और xml:lang घोषित करता है। दूसरे एलिमेंट में ठहराव के लिए <break>, तारीख़ या संख्या चिह्नित करने के लिए <say-as>, सटीक उच्चारण (जैसे IPA में) के लिए <phoneme> और दूसरी भाषा के वाक्यांश के लिए <lang> शामिल हैं:

<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>

यह क्यों मायने रखता है

  • वॉइस प्रोडक्ट पाइपलाइन होते हैं. वॉइस बॉट पहले स्पीच-टू-टेक्स्ट, फिर चैट मॉडल, फिर TTS है। हर चरण लेटेंसी और लागत जोड़ता है, और हर चरण अलग प्रोवाइडर का हो सकता है।
  • फ़ॉर्मैट का चुनाव. आउटपुट फ़ॉर्मैट साइज़ और प्लेबैक सपोर्ट तय करता है। उदाहरण के लिए WhatsApp Ogg Opus वॉइस नोट्स चलाता है।
  • डिस्क्लोज़र. OpenAI की शर्त है कि एंड यूज़र्स को बताया जाए कि TTS आवाज़ AI-जनरेटेड है।

BroadNet Inference पर

BroadNet टेक्स्ट-टू-स्पीच नहीं देता। उसका API रेफ़रेंस सिर्फ़ POST /v1/chat/completions और POST /v1/audio/transcriptions दर्ज करता है। वह उलटी दिशा देता है: BroadNet Transcribe Arabic और BroadNet Transcribe WAV या MP3 ऑडियो को टेक्स्ट में बदलते हैं, $0.0042 और $0.002 प्रति मिनट पर। BroadNet लाइव या रियल-टाइम वॉइस भी नहीं देता।

अगर आपके प्रोडक्ट को बोलना है, तो BroadNet ट्रांसक्रिप्शन और चैट को किसी अलग TTS प्रोवाइडर के साथ जोड़ें। टेक्स्ट, स्पीच और विज़न बताता है कि BroadNet कौन से काम कवर करता है और कहाँ आपको दूसरी सर्विस चाहिए, और WhatsApp चैटबॉट आर्किटेक्चर पोस्ट पाइपलाइन का वॉइस-नोट वाला हिस्सा दिखाती है।

आम ग़लतियाँ

  • TTS और STT को एक समझना. स्पीच-टू-टेक्स्ट API ऑडियो जनरेट नहीं करते। सिर्फ़ “speech” शब्द नहीं, एंडपॉइंट की सूची देखें।
  • यह मान लेना कि SSML हर जगह चलता है. कई API सिर्फ़ प्लेन टेक्स्ट या SSML का एक हिस्सा ही लेते हैं।

अक्सर पूछे जाने वाले सवाल

क्या BroadNet Inference टेक्स्ट-टू-स्पीच देता है?

नहीं। BroadNet दो एंडपॉइंट दर्ज करता है: chat completions और ऑडियो ट्रांसक्रिप्शन। कोई /v1/audio/speech नहीं है। अगर आपके ऐप को बोलना है तो अलग TTS प्रोवाइडर इस्तेमाल करें।

SSML क्या है?

Speech Synthesis Markup Language, एक W3C Recommendation (वर्ज़न 1.1, 2010)। यह XML है जो सिंथेसाइज़ की गई आवाज़ में उच्चारण, ठहराव, पिच, रफ़्तार और भाषा बदलने को नियंत्रित करता है। सपोर्ट हर TTS प्रोवाइडर पर अलग है।

क्या यूज़र्स को बताना ज़रूरी है कि आवाज़ AI से बनी है?

OpenAI की यूसेज पॉलिसी, जैसा उसकी TTS गाइड में उद्धृत है, साफ़ बताने की माँग करती है कि आवाज़ AI-जनरेटेड है। अपने प्रोवाइडर की शर्तें और स्थानीय क़ानून जाँचें।

Markdown में पढ़ेंChatGPT से पूछेंClaude से पूछेंPerplexity से पूछें