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۔