GPT-4o Mini TTS

openaiopenai/gpt-4o-mini-tts

Text-to-speech model powered by GPT-4o mini.

Официальный анонс и документация ↗Руководство по TTS API ↗Страница модели на OpenRouter ↗Интерактивное демо OpenAI.fm ↗

GPT-4o Mini TTS — это экономичная модель синтеза речи от OpenAI, выпущенная 20 марта 2025 года в составе нового поколения аудиомоделей вместе с gpt-4o-transcribe и gpt-4o-mini-transcribe. Построенная на мультимодальной основе GPT-4o, она преобразует текст в естественно звучащую речь стоимостью примерно $0,015 за минуту сгенерированного аудио — что делает её одним из самых доступных качественных TTS-решений на рынке. Модель поддерживает 11 встроенных голосов (Alloy, Ash, Ballad, Coral, Echo, Fable, Nova, Onyx, Sage, Shimmer, Verse), охватывающих широкий диапазон тональностей — от глубокой авторитетной дикции до яркого энергичного маркетинга, с последующим добавлением голосов Marin и Cedar.

Ключевая особенность GPT-4o Mini TTS — управляемость: уникальный параметр instructions позволяет разработчикам контролировать не только что говорит модель, но и как она это говорит — используя подсказки на естественном языке для указания эмоции (взволнованно, спокойно, срочно), темпа (быстрее, медленнее), акцента или направления персонажа. Это значительное отличие от традиционных TTS-систем (tts-1, tts-1-hd, ElevenLabs), где голосовые характеристики более фиксированы. Модель поддерживает 50+ языков, синхронный и потоковый режимы и бесшовно интегрируется с OpenAI SDK как замена через эндпоинт /v1/audio/speech — полностью доступна через единый API TheRouter по адресу api.therouter.ai/v1.

Когда выбирать

• Бюджетные голосовые приложения — озвучивание подкастов, аудиокниг, IVR-систем и голосовой почты по цене ~$0,015/мин с качеством, сравнимым с более дорогими TTS-провайдерами.
• Голосовые агенты, требующие контроля тональности — боты поддержки, которые могут говорить с эмпатией, срочностью или профессионализмом в зависимости от контекста через параметр instructions.
• Многоязычная генерация контента — поддержка 50+ языков для глобальных голосовых приложений от e-learning до видеодубляжа.
• Прототипирование и быстрая итерация — самая дешёвая OpenAI TTS для экспериментов с интерактивной площадкой openai.fm для мгновенного предпросмотра голоса и генерации кода.

Когда не выбирать

• Сценарии, где критична точность воспроизведения текста — как и в любой LLM-основанной TTS, функция управляемости несёт риск, что текстовое содержимое может быть ложно интерпретировано как инструкции (например, ремарки в скобках могут быть исполнены, а не прочитаны вслух). Для приложений, требующих идеального дословного воспроизведения, традиционные TTS-модели (tts-1, tts-1-hd) или специализированный синтез речи могут быть безопаснее.
• Клонирование или создание пользовательских голосов — GPT-4o Mini TTS ограничена предустановленными синтетическими голосами. Для zero-shot клонирования голоса по эталонному аудио рассмотрите Mistral Voxtral TTS или Fish Speech 1.5. Для тонкой настройки голоса у ElevenLabs более широкие инструменты дизайна голосов.
• Разговорный AI реального времени с задержкой <500 мс — для полностью интерактивных голосовых диалогов Realtime API OpenAI (gpt-4o-realtime-preview) с нативным speech-in-speech-out подходит больше, чем конвейер текст-в-речь.

Размер контекста

Максимальный вывод

Цена Текстза 1 млн символов

$16.20за 1 млн символов

Цена Входза 1 млн символов

$0.648за 1 млн токенов

Модальности

Текст→Аудио

Возможности

Синтез речи

Возможности генерации медиа

tts

output_formats

mp3
opus
aac
flac

voices

alloy
ash
ballad
coral
echo
fable
onyx
nova
sage
shimmer
verse

defaults

voice: alloy

Разбивка цен

Тип	Ставка
Текст	$16.20 за 1 млн символов
Вход	$0.648 за 1 млн токенов
Выход	$12.96 за 1 млн токенов

Billing unit differs from the vendor's: OpenAI prices gpt-4o-mini-tts per token (text input $0.60/MTok, audio output $12.00/MTok), while this model is charged per 1M characters — the unit it is settled in here. Only tts-1 and tts-1-hd are genuinely per-character at the vendor.

Поддерживаемые параметры

inputvoiceresponse_formatinstructions

Характеристики

Дата релиза	20 марта 2025openai.com ↗	проверено
Базовая архитектура	Мультимодальная основа GPT-4o mini, дообучена для генерации аудиоopenai.com ↗	проверено
Эндпоинт	/v1/audio/speechdevelopers.openai.com ↗	проверено
Голоса	11 базовых (Alloy, Ash, Ballad, Coral, Echo, Fable, Nova, Onyx, Sage, Shimmer, Verse) + последующие добавления (Marin, Cedar)docs.aimlapi.com ↗	проверено
Поддерживаемые языки	50+tokenmix.ai ↗	проверено
Окно контекста	~2 000 входных токеновtokenmix.ai ↗	к проверке
Форматы вывода	MP3, Opus, AAC, FLAC, WAV, PCMdevelopers.openai.com ↗	проверено
Управляемость	Да — параметр `instructions` для управления эмоцией, темпом, акцентом и направлением персонажа через подсказки на естественном языкеsimonwillison.net ↗	проверено

Бенчмарки

Benchmark	Distribution	Score	Source
Steerability benchmark (Simon Willison)		Confirmed — instructions parameter works as designed; occasional instruction-leak edge cases reported	simonwillison.net ↗
Standard TTS benchmarks OpenAI не опубликовала MOS (Mean Opinion Score) или WER для gpt-4o-mini-tts. Анонс фокусируется на управляемости и стоимости, а не на количественных показателях качества голоса.	—	Не раскрыто	—

Примеры API

Для новых интеграций используйте глобальный endpoint api.therouter.ai из примеров ниже; старый China accelerated endpoint выведен из эксплуатации.

cURL

curl https://api.therouter.ai/v1/audio/speech   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{
    "model": "openai/gpt-4o-mini-tts",
    "input": "Welcome to TheRouter.",
    "voice": "alloy"
  }'

Гид по API

Полный API-справочник →

Синтез речи (потоковый)

GPT-4o Mini TTS использует стандартный эндпоинт speech от OpenAI. Вызывайте через единый API TheRouter — модель поддерживает синхронный и потоковый режимы с управляемыми инструкциями для контроля тона.

cURL

curl https://api.therouter.ai/v1/audio/speech \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-4o-mini-tts",
    "input": "Welcome to TheRouter — your unified API for all AI models.",
    "voice": "nova",
    "instructions": "Speak warmly and professionally, like a friendly customer service agent.",
    "response_format": "mp3"
  }' \
  --output speech.mp3

Ещё от openai

openai/gpt-4o-transcribeЛучшая пара с GPT-4o Mini TTS — высокоточное распознавание речи на GPT-4o для пайплайнов транскрипции с управляемым TTS-выводом.openai/gpt-4o-mini-transcribeЭкономичный компаньон распознавания речи для GPT-4o Mini TTS в том же ценовом сегменте.openai/tts-1Исходная TTS-модель OpenAI, оптимизированная на скорость — ниже задержка, но без управляемости. Хорошая альтернатива, когда точность воспроизведения критична.openai/tts-1-hdИсходная TTS-модель OpenAI, оптимизированная на качество — выше качество вывода при 2x стоимости.

Новости и изменения

2025-03-20

OpenAI запускает gpt-4o-mini-tts вместе с новыми моделями распознавания речи

OpenAI запустила gpt-4o-mini-tts — экономичную управляемую модель синтеза речи за $0,015/мин, а также новые модели распознавания речи gpt-4o-transcribe и gpt-4o-mini-transcribe. Модель вводит управление на естественном языке для тона, темпа и эмоций — впервые для OpenAI TTS.

переработано TheRouteropenai.com ↗

Частые вопросы

Какие голоса доступны в gpt-4o-mini-tts?

Модель поставляется с 11 базовыми предустановленными голосами: Alloy, Ash, Ballad, Coral, Echo, Fable, Nova, Onyx, Sage, Shimmer и Verse. В последующих обновлениях были добавлены голоса Marin и Cedar. Все голоса — синтетические пресеты, модель НЕ поддерживает создание пользовательских голосов или клонирование. Прослушать все голоса можно на openai.fm.

docs.aimlapi.com ↗

Как работает параметр instructions?

Параметр instructions принимает подсказки на естественном языке для управления эмоцией (взволнованно, спокойно, срочно), темпом (быстрее, медленнее), акцентом ударения и направлением персонажа. Например: 'Говорите срочно и тоном серьёзного новостного диктора.' Модель смешивает эти инструкции с характеристиками базового голоса. Важно: поскольку инструкции и текст разделяют один входной канал, существует ненулевой риск случайной интерпретации части текста как инструкций — известное ограничение LLM-основанного TTS.

simonwillison.net ↗

Какие языки поддерживает gpt-4o-mini-tts?

Модель поддерживает 50+ языков, охватывая большинство основных мировых языков. Характеристики голоса сохраняются на разных языках — один и тот же голос может говорить на нескольких языках с одинаковой идентичностью. Для наилучших результатов на неанглийских языках OpenAI рекомендует выбирать голос, соответствующий тональности целевого языка.

tokenmix.ai ↗

Как именно работает ценообразование? На основе токенов или за минуту?

Ценообразование на основе токенов: $0,60 за миллион входных (текстовых) токенов и $12 за миллион аудиовыходных токенов. При типичной скорости речи (~1500 аудиотокенов в минуту) это составляет примерно $0,015 за минуту сгенерированной речи. Через TheRouter цены следуют той же структуре: $0,015 за запрос, $0,60/MTok за ввод и $12/MTok за аудиовыход — без наценки по сравнению с прямыми ценами OpenAI.