GPT-4o Mini TTS

openaiopenai/gpt-4o-mini-tts

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

官方发布公告与文档 ↗TTS API 指南 ↗OpenRouter 模型页 ↗OpenAI.fm 交互演示 ↗

GPT-4o Mini TTS 是 OpenAI 的高性价比文本转语音模型，于 2025 年 3 月 20 日作为新一代音频模型套件的一部分发布（同期还有 gpt-4o-transcribe 和 gpt-4o-mini-transcribe）。它基于 GPT-4o 多模态基础架构，将文本输入转换为自然语音，生成成本约为每分钟 $0.015——使其成为市面上最具性价比的高质量 TTS 选项之一。该模型支持 11 种内置语音（Alloy、Ash、Ballad、Coral、Echo、Fable、Nova、Onyx、Sage、Shimmer、Verse），涵盖从深沉的权威播报到明亮有活力的营销语气，后续更新中又新增了 Marin 和 Cedar 两种语音。

GPT-4o Mini TTS 的核⼼特性是其可引导性：通过独特的 instructions 参数，开发者不仅控制模型说什么，还能控制如何说——使用自然语言提示指定情感（兴奋、平静、紧急）、语速（更快、更慢）、口音或角色方向。这使其显著区别于传统 TTS 系统（tts-1、tts-1-hd、ElevenLabs），后者的语音特征更为固定。该模型支持 50+ 种语言、同步和流式模式，并通过 /v1/audio/speech 端点与 OpenAI SDK 无缝集成——完全可通过 TheRouter 的统一 API api.therouter.ai/v1 访问。

适合使用

• 预算敏感的语音应用——播客旁白、有声书、IVR 系统和语音邮件，成本约 $0.015/分钟，质量媲美更昂贵的 TTS 供应商。
• 需要语气控制的语音代理——客服机器人可根据上下文通过 instructions 参数以同理心、紧迫感或专业口吻说话。
• 多语言内容生成——支持 50+ 种语言，适用于从在线教育到视频配音的全球语音应用。
• 原型设计和快速迭代——最便宜的 OpenAI TTS 用于尝试，由 openai.fm 交互式游乐场支持，可即时预览语音并生成代码。

不适合使用

• 需要完美脚本还原的场景——与所有基于 LLM 的 TTS 一样，可引导性特性意味着文本内容有可能被误解释为指令（例如括号中的舞台指示被执行而不是被朗读）。对于需要逐字再现的应用，传统 TTS 模型（tts-1、tts-1-hd）或专用语音合成可能更安全。
• 语音克隆或自定义语音创建——GPT-4o Mini TTS 仅限于预设合成语音。对于基于参考音频的零样本文本克隆，建议使用 Mistral Voxtral TTS 或 Fish Speech 1.5。对于精细的语音定制，ElevenLabs 提供更广泛的语音设计工具。
• 需要 <500ms 往返延迟的实时语音到语音对话式 AI——对于完全交互式的语音对话，具备原生语音输入/语音输出的 OpenAI Realtime API（gpt-4o-realtime-preview）比文本到语音管线更合适。

上下文长度

最大输出

文本价格按字符

$16.20每百万字符

输入价格按字符

$0.648每百万 Tokens

模态能力

文本→音频

能力

语音合成

媒体生成能力

tts

output_formats

mp3
opus
aac
flac

voices

alloy
ash
ballad
coral
echo
fable
onyx
nova
sage
shimmer
verse

defaults

voice: alloy

价格明细

类型	费率
文本	$16.20 每百万字符
输入	$0.648 每百万 Tokens
输出	$12.96 每百万 Tokens

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.

支持参数

inputvoiceresponse_formatinstructions

模型规格

发布日期	2025年3月20日openai.com ↗	已核实
基础架构	GPT-4o mini 多模态基础架构，针对音频生成微调openai.com ↗	已核实
API 端点	/v1/audio/speechdevelopers.openai.com ↗	已核实
预设语音	11种核心（Alloy, Ash, Ballad, Coral, Echo, Fable, Nova, Onyx, Sage, Shimmer, Verse）+ 后续新增（Marin, Cedar）docs.aimlapi.com ↗	已核实
支持语言	50+ 种语言tokenmix.ai ↗	已核实
上下文窗口	约 2,000 输入 tokentokenmix.ai ↗	待核实
输出格式	MP3, Opus, AAC, FLAC, WAV, PCMdevelopers.openai.com ↗	已核实
可引导性	支持 —— `instructions` 参数通过自然语言提示控制情感、语速、口音和角色方向simonwillison.net ↗	已核实

基准成绩

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 没有发布 gpt-4o-mini-tts 的 MOS（平均意见分）或 WER 指标。公告重点在于可引导性和成本，而非定量的语音质量基准。	—	未公开披露	—

API 使用示例

所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。

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"
  }'

API 使用指南

完整 API 参考 →

文本转语音（流式）

GPT-4o Mini TTS 使用标准的 OpenAI speech 端点。通过 TheRouter 的统一 API 调用——该模型支持同步和流式模式，并支持通过指令控制语气。

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

openai 其他模型

openai/gpt-4o-transcribe与 GPT-4o Mini TTS 最佳搭配——基于 GPT-4o 的高精度语音转文本，用于带可引导 TTS 输出的转录管线。openai/gpt-4o-mini-transcribe与 GPT-4o Mini TTS 同价格区间的经济型语音转文本搭档。openai/tts-1OpenAI 原始的速度优化 TTS 模型——延迟更低，但无引导功能。当逐字保真度至关重要时是不错的备选。openai/tts-1-hdOpenAI 原始的质量优化 TTS 模型——输出质量更高，但成本翻倍。

动态与变更

2025-03-20

OpenAI 发布 gpt-4o-mini-tts 及新一代语音转文本模型

OpenAI 发布了 gpt-4o-mini-tts，一款高性价比的可引导文本转语音模型（$0.015/分钟），同时发布了新的 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 语音转文本模型。该模型引入了用于语气、速度和情感控制的自然语言指令功能——这是 OpenAI TTS 的首次。

TheRouter 编辑重写openai.com ↗

常见问题

gpt-4o-mini-tts 有哪些可用语音？

该模型附带 11 种核心预设语音：Alloy、Ash、Ballad、Coral、Echo、Fable、Nova、Onyx、Sage、Shimmer 和 Verse。后续更新中又加入了 Marin 和 Cedar 语音。所有语音均为预设合成音——该模型不支持自定义语音创建或语音克隆。您可以在 openai.fm 上预览所有语音。

docs.aimlapi.com ↗

instructions 参数如何工作？

instructions 参数接受自然语言引导，影响情感（兴奋、平静、紧急）、语速（更快、更慢）、发音强调、口音和角色方向。例如：'以紧急和严肃新闻主播的语气说话。'模型会将这些指令与基础语音特征融合。注意：由于指令和文本共享同一输入通道，存在输入文本部分被误解释为指令的非零风险——这是基于 LLM 的 TTS 的一个已知限制。

simonwillison.net ↗

gpt-4o-mini-tts 支持哪些语言？

该模型支持 50+ 种语言，覆盖大多数全球主要语言。语音特征跨语言保留——同一语音可以用多种语言以一致的风格说话。为获得非英语语言的最佳效果，OpenAI 建议选择与目标语言音调匹配的语音。

tokenmix.ai ↗

定价机制是怎样的？按 Token 计费还是按分钟？

定价基于 Token：输入（文本）$0.60/百万 Token，输出（音频）$12/百万 Token。按典型语速（约每分钟 1,500 音频 Token），相当于每分钟约 $0.015。通过 TheRouter，定价结构与 OpenAI 直连定价一致，每请求费 $0.015，输入 $0.60/百万 Token，音频输出 $12/百万 Token，零加价。