API audio per il riconoscimento vocale OpenAI: codice, voci, formati e costi

Il API audio per il riconoscimento vocale OpenAI converte il testo in audio parlato tramite POST https://api.openai.com/v1/audio/speech. Invia un modello, il testo da elaborare e una voce; salva la risposta in formato MP3 o in un altro formato audio supportato. Per una nuova integrazione che richiede istruzioni relative al tono e alla pronuncia, inizia con gpt-4o-mini-tts.

Una richiesta di lavoro è solo il primo passo. Servono anche l’unità di fatturazione corretta, un file di output riproducibile e un piano per i copioni lunghi. Il modello TTS più recente di OpenAI utilizza token di testo e audio per il calcolo dei prezzi; i suoi modelli TTS precedenti utilizzano i caratteri. Questa differenza è importante quando si calcola il costo di un mese di narrazione.

Se il tuo lavoro prevede anche la stesura della sceneggiatura, la realizzazione delle immagini e il montaggio di un video, L'area di lavoro audio di GlobalGPT rende accessibile la generazione vocale attraverso una piattaforma multimediale in abbonamento a prezzi contenuti. È possibile lavorare con testo, voce, immagini e video da un’unica dashboard, per poi utilizzare la sua API e la CLI per attività di produzione ripetibili. La sua API TTS pubblica utilizza un flusso di lavoro dedicato, descritto di seguito.

Prova subito diversi modelli audio

A cosa serve l'API OpenAI Audio Speech?

L'API Speech è un endpoint di sintesi vocale: l'applicazione fornisce il testo scritto e riceve la sintesi vocale generata. Tra gli utilizzi tipici figurano le guide all'uso dei prodotti, la narrazione per l'accessibilità, il materiale didattico e brevi voci fuori campo. È possibile controllare il testo prima che venga pronunciato, il che lo rende utile quando la formulazione deve seguire un copione approvato.

Per la trascrizione, il processo è invertito: si inserisce l’audio registrato e si ottiene il testo. Un assistente vocale in tempo reale aggiunge un ulteriore requisito: ascoltare e rispondere nell’ambito di una conversazione. OpenAI’s documentazione audio separa questi flussi di lavoro. Scegli l'endpoint "Speech" quando disponi già del testo che desideri far leggere ad alta voce.

La generazione vocale supporta lo streaming, quindi un'applicazione può ricevere l'audio in blocchi. Il salvataggio di tale flusso in un file non ne avvia automaticamente la riproduzione in un browser né crea un agente conversazionale; l'applicazione continua a gestire la riproduzione e qualsiasi logica di conversazione. OpenAI richiede inoltre che venga chiaramente indicato agli ascoltatori che la voce è generata dall'intelligenza artificiale.

Crea il tuo primo file audio con l'API vocale OpenAI

Esegui la richiesta su un server o sul tuo computer di sviluppo, utilizzando una chiave API OpenAI memorizzata nel OPENAI_API_KEY variabile d'ambiente. Evitare di inserire la chiave nel codice JavaScript del browser. Gli esempi seguenti utilizzano lo stesso breve script di presentazione del prodotto e salvano il risultato come openai-product-tour.mp3.

Opzione 1: inviare una richiesta curl

#!/bin/sh
# Imposta prima OPENAI_API_KEY nell'ambiente del tuo server.
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": "Benvenuto nel tour del prodotto Acorn Studio. In tre passaggi puoi trasformare un breve copione in un'audioguida. Per prima cosa, scrivi il messaggio. Poi, scegli una voce. Infine, salva il file audio e prova la riproduzione sul tuo telefono.",
    "voice": "coral",
    "instructions": "Parla chiaramente con un tono cordiale e colloquiale.",
    "response_format": "mp3"
  }' \
  --output openai-product-tour.mp3

La risposta contiene byte audio, quindi è consigliabile salvarla in un file anziché tentare di analizzarla come JSON. Il --errore-con-corpo L'opzione restituisce a curl uno stato di uscita negativo in caso di errore HTTP. Verifica tale stato prima di aprire il file: una risposta di errore può comunque lasciare dati JSON nel file denominato .mp3.

Opzione 2: utilizzare l'SDK Python

Installa il pacchetto OpenAI con python -m pip install openai. L'SDK legge la chiave API dall'ambiente. Questo esempio scrive la risposta man mano che arriva, evitando così di caricare l'intera risposta audio nel proprio buffer Python.

"""Installazione: python -m pip install openai. Impostare OPENAI_API_KEY sul server."""
from pathlib import Path
from openai import OpenAI

client = OpenAI(max_retries=0)
script = (
    "Benvenuto nel tour dei prodotti di Acorn Studio. In tre passaggi, puoi trasformare "
    "un breve copione in un'audioguida. Per prima cosa, scrivi il messaggio. Poi, "
    "scegli una voce. Infine, salva il file audio e prova la riproduzione sul tuo telefono."
)

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input=script,
    instructions="Parla chiaramente con un tono cordiale e colloquiale.",
    response_format="mp3",
) as response:
    response.stream_to_file(Path("openai-product-tour.mp3"))

print("Salvato openai-product-tour.mp3")

I tre campi fondamentali sono modello, input, e voce. Qui, istruzioni richiede uno stile di lettura cordiale e colloquiale; guida la voce piuttosto che aggiungere parole al testo parlato. Questo campo funziona con GPT-4o Mini TTS e non è supportato da tts-1 e tts-1-hd.

Se il documento è lungo, suddividete il testo in base alle frasi o ai paragrafi, numerate i segmenti e salvate ogni file con il numero corrispondente. Mantenete lo stesso tono e le stesse istruzioni in tutti i segmenti. Lasciate un contesto sufficiente per garantire una formulazione naturale e riascoltate i punti di giunzione prima di distribuire la registrazione assemblata.

Scegli un modello, una voce e un formato di output

Il Pagina del modello GPT-4o Mini TTS associa l'alias del modello al gpt-4o-mini-tts-15-dicembre-2025 snapshot. Se la riproducibilità del comportamento è importante per la tua applicazione, scegli consapevolmente uno snapshot documentato e registralo insieme agli script salvati.

Voci integrate e limiti di ingresso

La documentazione di riferimento dell'API Speech elenca 13 voci integrate per GPT-4o Mini TTS: lega, frassino, ballata, corallo, eco, favola, onice, nova, salvia, luccichio, verso, marin e cedro. OpenAI raccomanda marin o cedro per ottenere la massima qualità. Questo è il consiglio di OpenAI: scegliete la vostra voce di produzione ascoltando i vostri nomi, i vostri numeri e le vostre strutture sintattiche.

I modelli TTS precedenti supportano un insieme più ristretto di voci: alloy, ash, coral, echo, fable, onyx, nova, sage e shimmer. Non date per scontato che ogni voce sia compatibile con ogni modello. Il Riferimento all'API Speech accetta anche una velocità compresa tra 0,25 e 4,0, con 1.0 come impostazione predefinita.

Occorre tenere conto di due limiti di input: i limiti di riferimento degli endpoint input a 4.096 caratteri, e la pagina del modello Mini TTS indica un massimo di 2.000 token di input. I caratteri e i token hanno dimensioni diverse. Verificate entrambi i limiti per Mini TTS, soprattutto in caso di testi multilingue, e suddividete i testi di grandi dimensioni prima di inviarli.

Scegli il formato del file per la sua destinazione

Inizia con il formato MP3 se ti serve un link per il download o un semplice lettore audio. Scegli il formato WAV se il passo successivo prevede la modifica del file. Seleziona il formato PCM non compresso solo se la tua applicazione è in grado di interpretarlo; per modificare il nome di un file da .pcm a .wav non crea un'intestazione WAV.

Quanto costa l'API vocale OpenAI?

In base ai dati del 28 settembre 2026, OpenAI riporta il modello GPT-4o Mini TTS a $0,60 per milione di token di testo inseriti più $12 per milione di token di uscita audio. Costi del TTS-1 $15 per milione di caratteri, e il costo del TTS-1 HD è $30 per milione di caratteri. Calcolare ciascun modello nelle proprie unità di misura.

Ad esempio, 100 script da 1.000 caratteri ciascuno ammontano a un totale di 100.000 caratteri. Alle tariffe indicate, ciò equivale a $1.50 con TTS-1 o $3.00 con TTS-1 HD, al netto degli altri costi applicabili. Lo stesso numero di caratteri non è sufficiente per calcolare con precisione il costo del Mini TTS: occorrono le quantità di token relative all'input di testo e all'output audio.

Ai fini della pianificazione, inserisci nel calcolatore i dati effettivi di utilizzo o ipotesi esplicite. Considera il campo “Mini TTS audio-token” come un dato di riferimento fino a quando non avrai misurato l’utilizzo effettivo. Non trasformare una cifra approssimativa al minuto in un prezzo garantito per ogni voce, ritmo di pronuncia o lingua.

Il catalogo dei modelli GlobalGPT indica i prezzi dei servizi TTS in crediti e il suo endpoint di stima fornisce un preventivo per la richiesta che intendi inviare. Tieni separata la spesa dei crediti API dalla scelta di un abbonamento a uno spazio di lavoro multi-modello per le attività quotidiane di scrittura e gestione dei contenuti multimediali. In questo modo è più facile tenere sotto controllo il budget, senza dare per scontato che i due prodotti condividano lo stesso limite di fatturazione.

Creare un flusso di lavoro TTS con l'API GlobalGPT

Per un flusso di lavoro ripetibile che va dallo script alla voce al video, crea un discorso in GlobalGPT e mantenere il resto del progetto nello stesso spazio di lavoro. Il API GlobalGPT mette in luce come la generazione dei media sia costituita da compiti, mentre il GlobalGPT CLI connessioni compatibili con il tuo terminale e i tuoi strumenti di sviluppo.

Ottieni subito la chiave API

Utilizza l'URL di base pubblico https://api2.glbgpt.com/ai-api/open/v1. Invia le richieste TTS a POST /tasks, query GET /tasks/{id}, e scarica output.url una volta completata l'operazione. Il campo di testo è tempestivamente. Implementa direttamente questo contratto di attività; è diverso dalla risposta audio immediata di OpenAI.

Scegli un modello TTS GlobalGPT documentato

Elenco di tutte e tre le voci 330 crediti ogni 1.000 caratteri. Utilizzare POST /tasks/estimate con il corpo della richiesta previsto per il preventivo in questione; secondo la documentazione, ciò non comporta la creazione di alcuna attività né la prenotazione di crediti. L'accesso all'API pubblica utilizza crediti a pagamento.

Per informazioni più generali sul flusso di lavoro di creazione, consultare flussi di lavoro di sintesi vocale in GlobalGPT. Se stai effettuando ricerche sulla famiglia di prodotti open source denominata Qwen3-TTS, leggi Modelli Qwen3-TTS e opzioni API; non considerare l'ID del modello Qwen-Audio sopra indicato come una versione intercambiabile con Qwen3-TTS.

Preventivo: invialo una volta sola, poi controlla lo stato dell'attività salvata

Installare richieste con python -m pip install requests e impostare GLOBALGPT_API_KEY sul server. L'esempio riportato di seguito utilizza Eleven v3, seleziona un ID vocale pubblico documentato e imposta un limite massimo indicativo di 500 crediti. Modifica tale limite in base al tuo budget prima di eseguire il codice.

"""Installa requests; imposta GLOBALGPT_API_KEY. Utilizza l'API pubblica per i task di 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  # Il limite massimo per ogni lavoro; modificare prima dell’esecuzione.

payload = {
    "model": "eleven-v3",
    "prompt": (
 "Benvenuto nel tour del prodotto Acorn Studio. In tre passaggi, puoi trasformare "
 "un breve copione in un'audioguida. Per prima cosa, scrivi il messaggio. Poi, "
 "scegli una voce. Infine, salva il file audio e prova la riproduzione sul tuo telefono."
    ),
    "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("Questo lavoro appartiene a un input diverso. Utilizza un nuovo nome di file di stato.")
else:
    estimate = api.post(BASE + "/tasks/estimate", json=payload, timeout=30)
    estimate.raise_for_status()
    quote = estimate.json()
    print("Crediti stimati:", quote["credits"])
    if quote["credits"] > MAX_CREDITS:
 raise RuntimeError("Il preventivo supera il limite massimo per singolo lavoro.")
    job = {"payload": payload, "idempotency_key": str(uuid.uuid4())}
    STATE.write_text(json.dumps(job, indent=2))

if "task_id" not in job:
    # La chiave memorizzata associa un tentativo di ritrasmissione a questa specifica richiesta.
    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("Parametri ignorati:", task["ignored_parameters"])

print("Attività:", 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("Parametri ignorati:", task["ignored_parameters"])
    if task["status"] == "failed":
 raise RuntimeError("Generazione fallita: " + json.dumps(task.get("error", {})))
    if task["status"] == "succeeded":
        # Utilizza una nuova richiesta: non inviare la chiave API all'host multimediale.
 audio = requests.get(task["output"]["url"], timeout=60)
 audio.raise_for_status()
        OUTPUT.write_bytes(audio.content)
 print("Salvato:", OUTPUT)
 break
    time.sleep(10)
else:
    raise TimeoutError("Attività ancora in sospeso. Eseguire nuovamente per interrogare l’ID dell’attività salvata.")

Il file di lavoro salva la richiesta esatta, una chiave di idempotenza e l'ID dell'attività. Se la connessione si interrompe, riesegui lo stesso lavoro in modo che il codice possa riprendere l'attività in corso. Per generare intenzionalmente un audio diverso, utilizza un nuovo nome per il file di lavoro. Mantieni il file di lavoro privato se lo script contiene informazioni riservate.

Controllo parametri_ignorati in questo modo, un’impostazione non supportata non diventa automaticamente la configurazione predefinita. I controlli ElevenLabs quali voice_id differiscono da quelli di Qwen voce e tipo_di_lingua campi. Eseguire un polling ogni 5–10 secondi, gestire un fallito stato e salvare tempestivamente i file corretti: la conservazione dei risultati documentata è 30 giorni.

Ascolta due esempi di presentazioni di prodotti

Questi due campioni generati dall’intelligenza artificiale utilizzano lo stesso copione di 216 caratteri per il tour del prodotto con Eleven v3 e Qwen Audio 3.0 TTS Flash. Ciascuno rappresenta il primo risultato ottenuto da una singola richiesta, con le impostazioni predefinite della voce. Si tratta di due brevi file da esaminare e ascoltare; non costituiscono un confronto controllato tra voci corrispondenti né un benchmark delle voci OpenAI.

Eleven v3: audio della presentazione del prodotto

Qwen Audio 3.0 TTS Flash: audio della presentazione del prodotto

Il campione Qwen ha una dimensione circa tre volte superiore a quella del campione Eleven a parità di durata, il che riflette la differenza tra i formati WAV e MP3. Inoltre, l’intestazione WAV indica una quantità di dati superiore a quella effettivamente contenuta nel file. Si tratta di un problema di struttura del file che vale la pena verificare nel lettore di destinazione; di per sé non dice nulla sulla qualità della voce parlata.

Risolvere i problemi più comuni relativi alla generazione del parlato

In caso di errore OpenAI, inizia con il suo Guida ai codici di errore. Per un’attività GlobalGPT, salvare l’ID dell’attività e i dettagli dell’errore restituito. Durante lo sviluppo, tenere separati gli errori di trasporto, quelli di fatturazione e le registrazioni vocali non soddisfacenti: ciascuno richiede una soluzione diversa.

Prima di inviare la narrazione, ascolta l'intera registrazione sul dispositivo che utilizzerà il tuo pubblico. Controlla l'introduzione, i nomi e i numeri, le transizioni e la frase finale. Includi un avviso relativo all'uso della voce generata dall'IA all'inizio della riproduzione e conserva una copia del testo esatto e delle impostazioni del modello, in modo da poter rigenerare accuratamente il copione modificato.

Domande frequenti

Che cos’è l’endpoint dell’API Audio Speech OpenAI?

Utilizza il metodo POST all'indirizzo https://api.openai.com/v1/audio/speech. I campi obbligatori sono model, input e voice. La risposta è un file audio generato; il formato predefinito è MP3.

L'API OpenAI Speech è gratuita?

L'API Speech prevede una tariffazione basata sull'utilizzo. Si consiglia di pianificare il budget in base alle tariffe API attuali, anziché partire dal presupposto che sia prevista una quota gratuita: il servizio GPT-4o Mini TTS viene fatturato in base ai token di input testuale e di output audio, mentre i servizi TTS-1 e TTS-1 HD vengono fatturati in base al numero di caratteri.

Posso controllare la voce e lo stile di espressione?

Scegli una voce supportata dal tuo modello. GPT-4o Mini TTS accetta anche istruzioni relative al tono di voce, come ad esempio un tono caloroso o calmo. Il campo delle istruzioni non funziona con TTS-1 o TTS-1 HD.

L'API Speech supporta lo streaming?

Sì. È in grado di trasmettere in streaming l'audio generato in blocchi. La tua applicazione deve comunque gestire la riproduzione; lo streaming della sintesi vocale da solo non garantisce una conversazione vocale in tempo reale completa.

Posso utilizzare GlobalGPT modificando l'URL di base di OpenAI?

Utilizza il flusso di lavoro documentato di GlobalGPT per le attività multimediali relative alla sintesi vocale (TTS): invia la richiesta al POST /tasks, esegui il polling con GET /tasks/{id} e scarica output.url una volta completata con successo l'operazione. Il suo catalogo TTS documentato include i modelli ElevenLabs e Qwen, ciascuno con i propri ID e parametri.

Da quale formato audio dovrei iniziare?

Inizia con il formato MP3 per un semplice download o per la riproduzione via browser. Il formato WAV è utile quando il passo successivo prevede l'editing. Il formato PCM grezzo richiede un lettore configurato in base alla sua frequenza di campionamento e alla profondità di bit, poiché non presenta un'intestazione del file.

Inizia con un breve copione, una voce e un file salvato. Una volta che la riproduzione e i costi saranno prevedibili, aggiungi il chunking, i tentativi di riproduzione e il resto del tuo flusso di lavoro multimediale. Nella tua implementazione, mantieni coerenti il formato delle richieste dell’API scelta, le unità di fatturazione e la gestione dei risultati.