Lo speech-to-text ascolta. Il text-to-speech risponde a voce. Gli assistenti vocali hanno bisogno di entrambi.
Come funziona
Un’API TTS riceve tre cose: il testo, una voce e un formato audio. Questa è la forma dell’esempio Python nella guida di 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")
La guida documenta l’endpoint /v1/audio/speech, 13 voci predefinite e i formati di output MP3 (predefinito), Opus, AAC, FLAC, WAV e PCM, dove PCM sono campioni grezzi a 24 kHz e 16 bit senza intestazione. Supporta lo streaming con chunked transfer encoding, quindi la riproduzione può iniziare prima che il file sia completo, e consiglia WAV o PCM per le risposte più rapide. La guida indica inoltre tts-1, tts-1-hd e gpt-4o-mini-tts come deprecati, con dismissione il 6 gennaio 2027. Controlla l’elenco aggiornato dei modelli prima di costruire su uno di essi.
Molti motori accettano anche SSML, il markup XML del W3C per la sintesi. L’elemento radice <speak> dichiara version="1.1" e xml:lang. Tra gli altri elementi ci sono <break> per le pause, <say-as> per indicare date o numeri, <phoneme> per una pronuncia esatta (per esempio in IPA) e <lang> per una frase in un’altra lingua:
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
Perché è importante
- I prodotti vocali sono pipeline. Un voice bot è speech-to-text, poi un modello di chat, poi TTS. Ogni passaggio aggiunge latenza e costo, e ognuno può essere un provider diverso.
- Scelta del formato. Il formato di output decide dimensione e compatibilità di riproduzione. WhatsApp, per esempio, riproduce i vocali in Ogg Opus.
- Trasparenza. OpenAI richiede di informare gli utenti finali che una voce TTS è generata dall’AI.
Su BroadNet Inference
BroadNet non offre il text-to-speech. Il suo riferimento API documenta solo POST /v1/chat/completions e POST /v1/audio/transcriptions. Offre la direzione opposta: BroadNet Transcribe Arabic e BroadNet Transcribe trasformano audio WAV o MP3 in testo, a $0.0042 e $0.002 al minuto. BroadNet non offre nemmeno voce dal vivo o in tempo reale.
Se il tuo prodotto deve parlare, abbina la trascrizione e la chat di BroadNet a un provider TTS separato. Testo, voce e visione mostra quali compiti copre BroadNet e dove ti serve un altro servizio, e l’articolo sull’architettura di un chatbot WhatsApp mostra il lato dei vocali della pipeline.
Errori comuni
- Confondere TTS e STT. Le API speech-to-text non generano audio. Controlla l’elenco degli endpoint, non solo la parola «speech».
- Dare per scontato che SSML funzioni ovunque. Molte API accettano solo testo semplice o un sottoinsieme di SSML.