API Audio Speech OpenAI : code, voix, formats et coûts

Le API Audio Speech OpenAI convertit le texte en audio parlé grâce à ARTICLE https://api.openai.com/v1/audio/speech. Envoyez un modèle, votre texte d'entrée et une voix ; enregistrez la réponse au format MP3 ou dans un autre format audio pris en charge. Pour une nouvelle intégration nécessitant des instructions concernant le ton et la manière de s'exprimer, commencez par gpt-4o-mini-tts.

Une demande de travail n’est qu’une première étape. Il vous faut également choisir l’unité de facturation appropriée, disposer d’un fichier de sortie lisible et établir un plan pour les scripts longs. Le nouveau modèle de synthèse vocale de OpenAI utilise des jetons de texte et audio pour la tarification ; ses anciens modèles se basaient sur le nombre de caractères. Cette différence est importante lorsque vous estimez le coût d’un mois de narration.

Si votre travail consiste également à rédiger le scénario, à créer les éléments visuels et à monter une vidéo, L'espace de travail audio de GlobalGPT intègre la génération de parole dans une plateforme multimodale par abonnement à un prix abordable. Vous pouvez travailler à la fois sur du texte, de la voix, des images et des vidéos depuis un seul tableau de bord, puis utiliser son API et son interface en ligne de commande (CLI) pour des tâches de production reproductibles. Son API publique de synthèse vocale (TTS) utilise un flux de travail distinct, décrit ci-dessous.

Essayez dès maintenant plusieurs modèles audio

À quoi sert l'API audio de reconnaissance vocale OpenAI ?

L'API Speech est un point de terminaison de synthèse vocale : votre application fournit du texte écrit et reçoit la synthèse vocale générée. Parmi les utilisations courantes, on peut citer les présentations de produits, les descriptions pour l'accessibilité, les supports pédagogiques et les courtes voix off. Vous contrôlez le texte avant qu'il ne soit lu à voix haute, ce qui s'avère utile lorsque la formulation doit respecter un script approuvé.

Pour la transcription, le processus est inversé : on introduit un enregistrement audio et on obtient du texte en sortie. Un assistant vocal en temps réel ajoute une exigence supplémentaire : écouter et répondre dans le cadre d’une conversation. OpenAI’s documentation audio sépare ces flux de travail. Choisissez le point de terminaison « Speech » lorsque vous disposez déjà du texte que vous souhaitez faire lire à voix haute.

La génération de discours prend en charge la diffusion en continu, ce qui permet à une application de recevoir des données audio par blocs. L'enregistrement de ce flux dans un fichier ne déclenche pas automatiquement sa lecture dans un navigateur ni ne crée un agent conversationnel ; c'est toujours votre application qui gère la lecture et toute logique de conversation. OpenAI exige également que les auditeurs soient clairement informés que la voix est générée par l'IA.

Créez votre premier fichier audio avec l'API vocale OpenAI

Exécutez la requête sur un serveur ou sur votre machine de développement, en utilisant une clé API OpenAI enregistrée dans le fichier OPENAI_API_KEY variable d'environnement. Veillez à ne pas inclure la clé dans le code JavaScript du navigateur. Les exemples suivants utilisent le même script succinct de présentation du produit et enregistrent le résultat sous le nom openai-product-tour.mp3.

Option 1 : envoyer une requête Curl

#!/bin/sh
# Définissez d'abord la variable OPENAI_API_KEY dans l'environnement de votre serveur.
curl --fail-with-body --show-error \
  https://api.openai.com/v1/audio/speech \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini-tts",
    "input": "Bienvenue dans la présentation du produit Acorn Studio. En trois étapes, vous pouvez transformer un court script en guide audio. Commencez par rédiger le message. Choisissez ensuite une voix. Enfin, enregistrez le fichier audio et testez la lecture sur votre téléphone.",
    "voice": "coral",
    "instructions": "Parlez clairement, d'un ton chaleureux et conversationnel.",
    "response_format": "mp3"
  }' \
  --output openai-product-tour.mp3

La réponse contient des octets audio ; il est donc préférable de l'enregistrer dans un fichier plutôt que d'essayer de l'analyser au format JSON. Le --fail-with-body Cette option attribue à curl un code de sortie indiquant un échec en cas d'erreur HTTP. Vérifiez ce code avant d'ouvrir le fichier : une réponse d'erreur peut tout de même laisser du contenu JSON dans le fichier nommé .mp3.

Option 2 : utiliser le SDK Python

Installez le paquet OpenAI à l'aide de la commande suivante : python -m pip install openai. Le SDK lit la clé API à partir de l'environnement. Cet exemple écrit la réponse au fur et à mesure de son arrivée, ce qui évite de charger l'intégralité de la réponse audio dans votre propre tampon Python.

"""Installation : python -m pip install openai. Définissez la variable OPENAI_API_KEY sur le serveur."""
from pathlib import Path
from openai import OpenAI

client = OpenAI(max_retries=0)
script = (
    "Bienvenue dans la présentation des produits Acorn Studio. En trois étapes, vous pouvez transformer "
    "un court script en guide audio. Tout d’abord, rédigez le message. Ensuite, "
    "choisissez une voix. Enfin, enregistrez le fichier audio et testez la lecture sur votre téléphone."
)

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input=script,
    instructions="Parlez clairement, d’un ton chaleureux et conversationnel.",
    response_format="mp3",
) as response:
    response.stream_to_file(Path("openai-product-tour.mp3"))

print("Fichier openai-product-tour.mp3 enregistré")

Les trois domaines essentiels sont les suivants : modèle, entrée, et voix. Ici, instructions nécessite une interprétation chaleureuse et conversationnelle ; il guide la voix plutôt que d'ajouter des mots au texte parlé. Ce champ fonctionne avec GPT-4o Mini TTS et n'est pas pris en charge par tts-1 et tts-1-hd.

Pour un document plus long, divisez le texte au niveau des phrases ou des paragraphes, numérotez les segments et enregistrez chaque fichier avec ce numéro. Veillez à conserver le même ton et les mêmes instructions d’un segment à l’autre. Laissez suffisamment de contexte pour permettre une formulation naturelle, et écoutez attentivement les transitions avant de diffuser l’enregistrement final.

Choisissez un modèle, une voix et un format de sortie

Le Page du modèle GPT-4o Mini TTS associe l'alias du modèle à la gpt-4o-mini-tts-15-décembre-2025 instantané. Si la reproductibilité du comportement est importante pour votre application, choisissez délibérément un instantané documenté et enregistrez-le avec vos scripts sauvegardés.

Voix intégrées et limites d'entrée

La documentation de référence de l'API Speech répertorie 13 voix intégrées pour le GPT-4o Mini TTS : alliage, cendre, ballade, corail, écho, fable, onyx, nova, sauge, scintillement, vers, marin et cèdre. OpenAI recommande marin ou cèdre pour obtenir la meilleure qualité possible. C'est la recommandation de OpenAI : choisissez votre voix de synthèse en écoutant la façon dont vous prononcez vos propres noms, chiffres et structures de phrases.

Les anciens modèles TTS prennent en charge un ensemble plus restreint : alloy, ash, coral, echo, fable, onyx, nova, sage et shimmer. Ne partez pas du principe que toutes les voix fonctionnent avec tous les modèles. Le Référence de l'API Speech accepte également une vitesse comprise entre 0,25 et 4,0, avec 1.0 par défaut.

Il faut tenir compte de deux limites d'entrée : les limites de référence des points d'extrémité entrée à 4 096 caractères, et la page du modèle Mini TTS indique une limite maximale de 2 000 jetons d'entrée. Les caractères et les tokens ne sont pas mesurés de la même manière. Vérifiez les deux contraintes pour Mini TTS, en particulier avec des textes multilingues, et divisez les scripts volumineux avant de les envoyer.

Choisissez le format de fichier pour sa destination

Commencez par le format MP3 si vous souhaitez obtenir un lien de téléchargement ou utiliser un simple lecteur audio. Choisissez le format WAV si l'étape suivante consiste à modifier le fichier. Ne sélectionnez le format PCM brut que si votre application est capable de l'interpréter ; pour modifier le nom d'un fichier, passez de .pcm à .wav ne crée pas d'en-tête WAV.

Combien coûte l'API de reconnaissance vocale OpenAI ?

D'après les informations vérifiées le 28 septembre 2026, OpenAI répertorie le GPT-4o Mini TTS à $0,60 par million de tokens de texte saisi plus $12 par million de jetons de sortie audio. Coûts du TTS-1 $15 par million de caractères, et le prix du TTS-1 HD est de $30 par million de caractères. Calculez chaque modèle dans ses propres unités.

Par exemple, 100 scripts de 1 000 caractères chacun totalisent 100 000 caractères. Aux tarifs indiqués, cela représente $1.50 avec TTS-1 ou $3.00 avec TTS-1 HD, avant les autres coûts liés à l'application. Ce nombre de caractères ne suffit pas pour calculer avec précision le coût de Mini TTS : il faut connaître le nombre de jetons de saisie de texte et de sortie audio.

Pour la planification, saisissez les chiffres d'utilisation réels ou des hypothèses explicites dans le calculateur. Considérez le champ « Mini TTS audio-token » comme une donnée budgétaire jusqu'à ce que vous ayez mesuré l'utilisation. Ne transformez pas un chiffre approximatif par minute en un prix garanti pour chaque voix, rythme de parole ou langue.

Le catalogue du modèle GlobalGPT indique les prix du service TTS en crédits, et son point de terminaison d'estimation fournit un devis pour la requête que vous comptez envoyer. Veillez à distinguer l'utilisation des crédits API de votre abonnement à un espace de travail multimodèle destiné à vos tâches quotidiennes de rédaction et de traitement multimédia. Cela vous permettra de mieux suivre votre budget sans supposer que ces deux produits partagent le même plafond de facturation.

Créer un workflow de synthèse vocale avec l'API GlobalGPT

Pour un flux de travail reproductible allant du script à la voix puis à la vidéo, Créer un discours dans GlobalGPT et conserver le reste du projet dans le même espace de travail. Le API GlobalGPT présente la création de contenus médiatiques comme une série de tâches, tandis que le GlobalGPT CLI des connexions compatibles avec votre terminal et vos outils de développement.

Obtenir une clé API dès maintenant

Utilisez l'URL de base publique https://api2.glbgpt.com/ai-api/open/v1. Envoyer les requêtes TTS à POST /tasks, requête GET /tasks/{id}, et télécharger output.url une fois la tâche réussie. Le champ de texte est rapide. Mettez directement en œuvre ce contrat de tâche ; il diffère de la réponse audio immédiate de OpenAI.

Choisissez un modèle TTS GlobalGPT dont les spécifications sont documentées

Liste des trois entrées 330 crédits pour 1 000 caractères. Utiliser POST /tasks/estimate avec le corps de requête prévu pour le devis concerné ; selon la documentation, cela ne crée aucune tâche et ne réserve aucun crédit. L'accès à l'API publique utilise des crédits payants.

Pour en savoir plus sur le processus de création dans son ensemble, consultez Workflows de synthèse vocale dans GlobalGPT. Si vous effectuez des recherches sur la gamme open source Qwen3-TTS, qui porte un nom distinct, consultez Modèles Qwen3-TTS et options API; ne considérez pas l'identifiant de modèle « Qwen-Audio » ci-dessus comme un déploiement « Qwen3-TTS » interchangeable.

Établir un devis, le soumettre une seule fois, puis consulter la tâche enregistrée

Installer demandes avec python -m pip install requests et définir GLOBALGPT_API_KEY sur le serveur. L'exemple ci-dessous utilise Eleven v3, sélectionne un identifiant vocal public répertorié et définit un plafond indicatif de 500 crédits. Modifiez ce plafond en fonction de votre budget avant de lancer l'opération.

"""Installe requests ; définit la variable GLOBALGPT_API_KEY. Utilise l'API publique de tâches de GlobalGPT."""
import json
import os
import time
import uuid
from pathlib import Path
import requests

BASE = "https://api2.glbgpt.com/ai-api/open/v1"
STATE = Path("globalgpt-tts-job.json")
OUTPUT = Path("globalgpt-product-tour.mp3")
MAX_CREDITS = 500  # Votre plafond par tâche ; modifiez cette valeur avant l'exécution.

payload = {
    "model": "eleven-v3",
    "prompt": (
 "Bienvenue dans la visite guidée du produit Acorn Studio. En trois étapes, vous pouvez transformer "
 " un court script en guide audio. Tout d’abord, rédigez le message. Ensuite, "
 " choisissez une voix. Enfin, enregistrez le fichier audio et testez la lecture sur votre téléphone. "
    ),
    "metadata": {
 "voice_id": "JBFqnCBsd6RMkjVDRZzb",
 "stability": 0.5,
 "language_code": "en",
    },
}

api = requests.Session()
api.headers["Authorization"] = "Bearer " + os.environ["GLOBALGPT_API_KEY"]

if STATE.exists():
    job = json.loads(STATE.read_text())
    if job["payload"] != payload:
    raise RuntimeError("Cette tâche correspond à une autre entrée. Utilisez un nouveau nom de fichier d'état.")
else:
    estimate = api.post(BASE + "/tasks/estimate", json=payload, timeout=30)
    estimate.raise_for_status()
    quote = estimate.json()
    print("Crédits estimés :", quote["credits"])
    si quote["credits"] > MAX_CREDITS :
  raise RuntimeError("L'estimation dépasse votre plafond par tâche.")
    job = {"payload": payload, "idempotency_key": str(uuid.uuid4())}
    STATE.write_text(json.dumps(job, indent=2))

si " task_id " n’est pas dans job :
    # La clé persistante conserve une nouvelle tentative de transport liée à cette requête précise.
    submitted = api.post(
 BASE + "/tasks", json=payload,
 headers={"Idempotency-Key": job["idempotency_key"]}, timeout=60,
    )
    submitted.raise_for_status()
    task = submitted.json()
    job["task_id"] = task["id"]
    STATE.write_text(json.dumps(job, indent=2))
    if task.get("ignored_parameters"):
 print("Paramètres ignorés :", task["ignored_parameters"])

print("Tâche :", job["task_id"])
deadline = time.monotonic() + 600
while time.monotonic() < deadline :
    checked = api.get(BASE + "/tasks/" + str(job["task_id"]), timeout=30)
    checked.raise_for_status()
    task = checked.json()
    if task.get("ignored_parameters"):
 print("Paramètres ignorés :", task["ignored_parameters"])
    si task["status"] == "failed" :
  raise RuntimeError("Échec de la génération : " + json.dumps(task.get("error", {})))
    si task["status"] == "succeeded" :
        # Utiliser une nouvelle requête : ne pas envoyer la clé API à l’hébergeur multimédia.
 audio = requests.get(task["output"]["url"], timeout=60)
 audio.raise_for_status()
        OUTPUT.write_bytes(audio.content)
 print("Enregistré :", OUTPUT)
 break
    time.sleep(10)
else:
    raise TimeoutError("Tâche toujours en attente. Relancez la tâche pour interroger l'ID de la tâche enregistrée.")

Le fichier de tâche enregistre la requête exacte, une clé d'idempotence et l'identifiant de la tâche. En cas de coupure de connexion, relancez la même tâche afin que le code puisse reprendre la tâche en cours. Pour générer intentionnellement un fichier audio différent, utilisez un nouveau nom de fichier de tâche. Veillez à ce que le fichier de tâche reste confidentiel si son script contient des informations confidentielles.

Vérifier paramètres_ignorés Ainsi, un paramètre non pris en charge ne devient pas automatiquement votre configuration par défaut. Les commandes ElevenLabs telles que voice_id diffèrent de ceux de Qwen voix et type_de_langue champs. Effectuer une interrogation toutes les 5 à 10 secondes, gérer un a échoué état, et enregistrez rapidement les fichiers traités avec succès : la durée de conservation des résultats indiquée est de 30 jours.

Écoutez deux exemples de présentation de produit

Ces deux échantillons générés par IA utilisent le même script de présentation du produit de 216 caractères avec Eleven v3 et Qwen Audio 3.0 TTS Flash. Chacun correspond au premier résultat obtenu à partir d’une requête, avec les paramètres vocaux par défaut. Ils vous fournissent deux fichiers courts à examiner et à écouter ; il ne s’agit pas d’une comparaison contrôlée de voix appariées ni d’un test de performance de la voix OpenAI.

Eleven v3 : audio de la présentation du produit

Qwen Audio 3.0 TTS Flash : présentation audio du produit

L'échantillon Qwen est environ trois fois plus volumineux que l'échantillon Eleven pour une durée similaire, ce qui s'explique par les différences entre les formats WAV et MP3. Son en-tête WAV indique également un volume de données supérieur à celui que le fichier contient physiquement. Il s'agit là d'un problème lié au conditionnement du fichier qu'il convient de vérifier dans votre lecteur cible ; cela ne permet pas en soi de tirer des conclusions sur la qualité de la voix enregistrée.

Résoudre les problèmes courants liés à la synthèse vocale

En cas d'erreur OpenAI, commencez par vérifier son Guide des codes d'erreur. Pour une tâche de type GlobalGPT, enregistrez l'identifiant de la tâche et les détails de l'erreur renvoyée. Pendant le développement, distinguez clairement les échecs de transport, les échecs de facturation et les enregistrements vocaux non conformes : chacun nécessite une solution différente.

Avant d'envoyer la narration, écoutez l'intégralité de l'enregistrement sur l'appareil que votre public utilisera. Vérifiez l'introduction, les noms et les chiffres, les transitions et la phrase de conclusion. Ajoutez une mention indiquant l'utilisation d'une voix générée par IA au début de la lecture, et conservez une copie du texte exact ainsi que des paramètres du modèle afin de pouvoir régénérer le script modifié de manière ciblée.

Foire aux questions

Qu'est-ce que le point de terminaison de l'API Audio Speech OpenAI ?

Utilisez l'https://api.openai.com/v1/audio/speech POST. Les champs obligatoires sont « model », « input » et « voice ». La réponse est un fichier audio généré ; le format par défaut est le MP3.

L'API OpenAI Speech est-elle gratuite ?

L'API Speech propose une tarification basée sur l'utilisation. Établissez votre budget en vous basant sur les tarifs actuels de l'API plutôt qu'en partant du principe qu'un contingent gratuit est inclus : le service GPT-4o Mini TTS est facturé en fonction des jetons de saisie de texte et de sortie audio, tandis que les services TTS-1 et TTS-1 HD sont facturés au caractère.

Puis-je choisir la voix et le style d'expression ?

Choisissez une voix prise en charge par votre modèle. GPT-4o Mini TTS accepte également des instructions concernant le ton de la lecture, comme un ton chaleureux ou calme. Le champ « Instructions » ne fonctionne pas avec les modèles TTS-1 ou TTS-1 HD.

L'API Speech prend-elle en charge la diffusion en continu ?

Oui. Il est possible de diffuser le son généré par tranches. Votre application doit toutefois prendre en charge la lecture ; la diffusion de la synthèse vocale ne suffit pas à elle seule à permettre une conversation vocale en direct complète.

Puis-je utiliser GlobalGPT en modifiant l'URL de base de OpenAI ?

Utilisez le workflow de tâches multimédia documenté de GlobalGPT pour la synthèse vocale (TTS) : envoyez la requête POST à /tasks, interrogez la requête GET à /tasks/{id}, puis téléchargez le fichier output.url une fois l'opération réussie. Son catalogue de synthèse vocale documenté comprend les modèles ElevenLabs et Qwen, chacun doté de son propre identifiant et de ses propres paramètres.

Par quel format audio devrais-je commencer ?

Commencez par le format MP3 pour un téléchargement simple ou une lecture en ligne. Le format WAV est utile lorsque l'étape suivante consiste à effectuer des modifications. Le format PCM brut nécessite un lecteur configuré pour sa fréquence d'échantillonnage et sa profondeur de bits, car il ne comporte pas d'en-tête de fichier.

Commencez par un script court, une voix et un fichier enregistré. Une fois que la lecture et les coûts sont prévisibles, ajoutez le découpage en segments, les tentatives de reprise et le reste de votre flux de travail multimédia. Veillez à regrouper dans votre implémentation le format de requête, les unités de facturation et la gestion des résultats de l’API choisie.