BroadRouter

ٹیکسٹ ٹو اسپیچ (text-to-speech، TTS)

اپ ڈیٹ

ٹیکسٹ ٹو اسپیچ (TTS)، یا اسپیچ سنتھیسس، لکھے متن کو بولی گئی آڈیو میں بدلتا ہے۔ TTS API متن، ایک آواز اور MP3 یا WAV جیسا آؤٹ پٹ فارمیٹ لیتا ہے اور تیار کردہ آواز لوٹاتا ہے۔ یہ اسپیچ ٹو ٹیکسٹ کا الٹ ہے، جو آڈیو کو متن میں بدلتا ہے۔

دوسرے نام: ٹیکسٹ ٹو اسپیچ، متن سے آواز، اسپیچ سنتھیسس، text to speech kya hai، tts kya hai، TTS، text to speech، speech synthesis

اسپیچ ٹو ٹیکسٹ سنتا ہے۔ ٹیکسٹ ٹو اسپیچ جواب میں بولتا ہے۔ وائس اسسٹنٹس کو دونوں چاہئیں۔

یہ کیسے کام کرتا ہے

TTS API تین چیزیں لیتا ہے: متن، ایک آواز اور ایک آڈیو فارمیٹ۔ OpenAI کی گائیڈ کی Python مثال کا ڈھانچہ یہ ہے:

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")

اس کی گائیڈ /v1/audio/speech اینڈ پوائنٹ، 13 بلٹ ان آوازیں، اور آؤٹ پٹ فارمیٹس MP3 (ڈیفالٹ)، Opus، AAC، FLAC، WAV اور PCM دستاویزی کرتی ہے، جہاں PCM بغیر ہیڈر کے خام 24 kHz 16 بٹ سیمپلز ہیں۔ یہ chunked transfer encoding کے ساتھ اسٹریمنگ سپورٹ کرتی ہے، اس لیے فائل مکمل ہونے سے پہلے پلے بیک شروع ہو سکتا ہے، اور تیز ترین جوابات کے لیے WAV یا PCM تجویز کرتی ہے۔ گائیڈ tts-1، tts-1-hd اور gpt-4o-mini-tts کو deprecated بھی بتاتی ہے، جن کی بندش 6 جنوری 2027 کو ہے۔ کسی ماڈل پر بنانے سے پہلے موجودہ ماڈل فہرست دیکھیں۔

کئی انجن SSML بھی لیتے ہیں، جو سنتھیسس کے لیے W3C کا XML مارک اپ ہے۔ روٹ <speak> عنصر version="1.1" اور xml:lang کا اعلان کرتا ہے۔ دوسرے عناصر میں وقفوں کے لیے <break>، تاریخیں یا اعداد نشان زد کرنے کے لیے <say-as>، درست تلفظ (مثلاً IPA میں) کے لیے <phoneme> اور کسی دوسری زبان کے جملے کے لیے <lang> شامل ہیں:

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

یہ کیوں اہم ہے

  • وائس پروڈکٹس پائپ لائنز ہیں۔ وائس بوٹ پہلے اسپیچ ٹو ٹیکسٹ، پھر چیٹ ماڈل، پھر TTS ہے۔ ہر مرحلہ لیٹنسی اور لاگت بڑھاتا ہے، اور ہر مرحلہ مختلف فراہم کنندہ کا ہو سکتا ہے۔
  • فارمیٹ کا انتخاب۔ آؤٹ پٹ فارمیٹ سائز اور پلے بیک سپورٹ طے کرتا ہے۔ مثال کے طور پر WhatsApp، Ogg Opus وائس نوٹس چلاتا ہے۔
  • انکشاف۔ OpenAI تقاضا کرتا ہے کہ اینڈ یوزرز کو بتایا جائے کہ TTS آواز AI سے تیار کردہ ہے۔

BroadNet Inference پر

BroadNet ٹیکسٹ ٹو اسپیچ نہیں دیتا۔ اس کا API ریفرنس صرف POST /v1/chat/completions اور POST /v1/audio/transcriptions دستاویزی کرتا ہے۔ وہ الٹی سمت دیتا ہے: BroadNet Transcribe Arabic اور BroadNet Transcribe، WAV یا MP3 آڈیو کو متن میں بدلتے ہیں، $0.0042 اور $0.002 فی منٹ پر۔ BroadNet لائیو یا ریئل ٹائم وائس بھی نہیں دیتا۔

اگر آپ کے پروڈکٹ کو بولنا ہے تو BroadNet ٹرانسکرپشن اور چیٹ کو کسی الگ TTS فراہم کنندہ کے ساتھ جوڑیں۔ متن، آواز اور وژن بتاتا ہے کہ BroadNet کون سے کام سنبھالتا ہے اور کہاں آپ کو دوسری سروس چاہیے، اور WhatsApp چیٹ بوٹ آرکیٹیکچر پوسٹ پائپ لائن کا وائس نوٹ والا حصہ دکھاتی ہے۔

عام غلطیاں

  • TTS اور STT کو ایک سمجھنا۔ اسپیچ ٹو ٹیکسٹ API آڈیو تیار نہیں کرتے۔ صرف “speech” کا لفظ نہیں، اینڈ پوائنٹس کی فہرست دیکھیں۔
  • یہ فرض کرنا کہ SSML ہر جگہ چلتا ہے۔ کئی API صرف سادہ متن یا SSML کا ایک حصہ ہی لیتے ہیں۔

عام سوالات

کیا BroadNet Inference ٹیکسٹ ٹو اسپیچ دیتا ہے؟

نہیں۔ BroadNet دو اینڈ پوائنٹس دستاویزی کرتا ہے: chat completions اور آڈیو ٹرانسکرپشن۔ کوئی /v1/audio/speech نہیں ہے۔ اگر آپ کی ایپ کو بولنا ہے تو الگ TTS فراہم کنندہ استعمال کریں۔

SSML کیا ہے؟

Speech Synthesis Markup Language، ایک W3C Recommendation (ورژن 1.1، 2010)۔ یہ XML ہے جو تیار کردہ آواز میں تلفظ، وقفے، پچ، رفتار اور زبان کی تبدیلی کنٹرول کرتا ہے۔ سپورٹ ہر TTS فراہم کنندہ پر مختلف ہے۔

کیا صارفین کو بتانا ضروری ہے کہ آواز AI سے بنی ہے؟

OpenAI کی استعمال کی پالیسیاں، جیسا کہ اس کی TTS گائیڈ میں نقل ہیں، واضح انکشاف کا تقاضا کرتی ہیں کہ آواز AI سے تیار کردہ ہے۔ اپنے فراہم کنندہ کی شرائط اور مقامی قانون دیکھیں۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں