OpenAI представила обновлённые голосовые модели для преобразования текста в речь и обратно. Эти инновационные технологии уже доступны разработчикам через API, а также можно протестировать их на специальном сайте. Пользователи могут вводить любой текст и выбирать стиль озвучки — от профессионального до повествовательного, включая даже средневековый стиль. Поддерживается также русский язык.
Новая система позволяет не только конвертировать текст в речь, но и настраивать интонацию, стиль и эмоциональность. Например, модель может говорить как вежливый оператор колл-центра или рассказчик детских сказок. Доступны пресеты, однако пользователи могут вводить инструкции вручную для более точной настройки.
Кроме того, OpenAI улучшила свою технологию распознавания речи. Новые модели gpt-4o-transcribe и gpt-4o-mini-transcribe предлагают более точную расшифровку аудиофайлов, снижая количество ошибок даже в сложных условиях, таких как акценты, шумы или высокая скорость речи. Эти решения превосходят предыдущие версии Whisper и другие популярные альтернативы на рынке.
Что нового? Модель gpt-4o-mini-tts предоставляет 11 голосов с разными интонациями, стилями звучания и тембрами. Пользователи могут выбирать голоса пирата, средневекового рыцаря, профессионального диктора и даже Санта-Клауса. У каждого голоса есть свои уникальные характеристики, которые также можно менять. Более 100 языков, включая русский, поддерживаются для озвучки.
Доступ к новым моделям осуществляется через API. Все желающие могут протестировать озвучку текста на сайте openai.fm, где в бесплатной версии доступен ввод до 1 000 символов.
TechCrunch отметил, что новые модели OpenAI в скором времени заменят предыдущую разработку Whisper, выпущенную компанией в 2022 году. В марте этого года OpenAI открыла доступ для зарегистрированных пользователей к продвинутому голосовому режиму на базе модели GPT-4o mini.
Фото на обложке: Levart_Photographer / Unsplash