音频处理教程¶
文本转语音 (TTS) 和语音转文字 (ASR) 完整指南
目录¶
TTS 能力概述¶
文本转语音 (TTS) 功能可以将任意文本转换为自然流畅的语音输出。该服务基于先进的端侧部署的大语言模型，支持多语言合成，包括中文、英文等主要语种。
主要特性：
- 支持多种输出格式：mp3, opus, aac, flac, pcm
- 可调节语速范围：0.25x ~ 4.0x
- 多音色选择，适用于不同场景
- 单次输入建议不超过 4096 字符
实际测试验证¶
测试环境¶
- API 端点：https://apinexus.net/v1
- 模型：gpt-4o-mini-tts
- 输入文本：你好，欢迎使用API服务！这是一个语音合成测试。
- 音色：alloy
- 输出文件：generated_speech.mp3
- 文件大小：88320 bytes (约 86 KB)
测试结果¶
该测试成功生成了音频文件，语音清晰流畅，语调自然。生成的文件可直接播放使用。
可用音色¶
所有音色样本均来自实际合成，可点击播放对比效果。
| 音色 | 性别 | 特点 | 试听 |
|---|---|---|---|
| alloy | 中性 | 清晰自然，通用默认 | |
| echo | 男 | 沉稳磁性 | |
| fable | 男 | 叙事风格 | |
| onyx | 男 | 低沉专业 | |
| nova | 女 | 温暖柔和 | |
| shimmer | 女 | 明亮清晰 |
场景推荐¶
| 场景 | 推荐音色 |
|---|---|
| 通用对话 | alloy, nova |
| 专业播报 | onyx, echo |
| 有声读物 | fable, shimmer |
| 中文内容 | nova, alloy |
模型选择¶
TTS 模型¶
| 模型 | 适用场景 | 特点 |
|---|---|---|
| gpt-4o-mini-tts | 通用推荐 | 性价比高，效果稳定 |
| gpt-4o-mini-tts-1 | 高精度场景 | 优化版本，细节更好 |
| qwen3-tts-flash | 快速生成 | 延迟最低，适合批量 |
| speech-02-hd | 高清语音 | 音质优先 |
| speech-02-turbo | 平衡模式 | 速度与质量平衡 |
| speech-2.6-hd | 高清场景 | 高保真输出 |
| speech-2.6-turbo | 快速场景 | 低延迟 |
| speech-2.8-hd | 顶级音质 | 最高品质 |
| speech-2.8-turbo | 极速场景 | 最快速度 |
ASR 模型¶
| 模型 | 适用场景 | 价格 |
|---|---|---|
| gpt-4o-transcribe | 通用识别 | $0.0001 / 秒 |
完整示例代码¶
TTS - 基础用法¶
from openai import OpenAI
client = OpenAI(base_url="https://apinexus.net/v1")
response = client.audio.speech.create(
model="gpt-4o-mini-tts",
voice="alloy",
input="你好，欢迎使用API服务！这是一个语音合成测试。"
)
with open("generated_speech.mp3", "wb") as f:
f.write(response.content)
TTS - 指定输出格式和语速¶
response = client.audio.speech.create(
model="gpt-4o-mini-tts",
voice="nova",
input="这是一个语音合成演示",
response_format="mp3", # 可选: mp3, opus, aac, flac, pcm
speed=1.0 # 范围: 0.25 ~ 4.0
)
response.stream_to_file("output.mp3")
TTS - 中文最佳实践¶
from openai import OpenAI
client = OpenAI(base_url="https://apinexus.net/v1")
# 中文推荐使用 nova 或 alloy 音色
response = client.audio.speech.create(
model="gpt-4o-mini-tts",
voice="nova",
input="欢迎使用API服务，我们致力于提供稳定高效的语音合成解决方案。",
speed=1.0
)
with open("chinese_speech.mp3", "wb") as f:
f.write(response.content)
ASR - 语音转文字¶
from openai import OpenAI
client = OpenAI(base_url="https://apinexus.net/v1")
with open("audio.mp3", "rb") as f:
transcript = client.audio.transcriptions.create(
model="gpt-4o-transcribe",
file=f
)
print("识别结果:", transcript.text)
ASR - 指定语言提高准确率¶
# 已知语言时指定 language 参数可大幅提升准确率
with open("chinese_audio.mp3", "rb") as f:
transcript = client.audio.transcriptions.create(
model="gpt-4o-transcribe",
file=f,
language="zh" # 指定中文
)
ASR - 带时间戳的识别¶
result = client.audio.transcriptions.create(
model="gpt-4o-transcribe",
file=open("audio.mp3", "rb"),
response_format="verbose_json",
timestamp_granularities=["word", "segment"]
)
for segment in result.segments:
print(f"[{segment.start:.1f}s -> {segment.end:.1f}s]: {segment.text}")
语音翻译¶
# 将任意语言音频翻译为英文
with open("chinese_audio.mp3", "rb") as f:
translation = client.audio.translations.create(
model="gpt-4o-transcribe",
file=f
)
print("英文翻译:", translation.text)
完整演示脚本¶
from openai import OpenAI
from pathlib import Path
client = OpenAI(base_url="https://apinexus.net/v1")
output_dir = Path("audio_output")
output_dir.mkdir(exist_ok=True)
def demo_tts():
"""文本转语音演示"""
print("正在生成语音...")
response = client.audio.speech.create(
model="gpt-4o-mini-tts",
voice="alloy",
input="你好，欢迎使用API服务！这是一个语音合成测试。"
)
output_file = output_dir / "generated_speech.mp3"
response.stream_to_file(str(output_file))
print(f"已保存到: {output_file}")
return str(output_file)
def demo_asr(audio_file):
"""语音转文字演示"""
print("正在识别语音...")
with open(audio_file, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-4o-transcribe",
file=f
)
print(f"识别结果: {result.text}")
return result.text
if __name__ == "__main__":
print("=" * 50)
print("音频处理演示")
print("=" * 50)
audio_file = demo_tts()
demo_asr(audio_file)
print("=" * 50)
print("演示完成")
print("=" * 50)
常见问题¶
Q: 支持哪些语言？¶
A: gpt-4o-transcribe 支持约 99 种语言，包括中文、英文、日文、韩文、法文、德文、西班牙文等。已知语言时建议指定 language 参数以提高准确率。
Q: 音频文件大小有限制吗？¶
A: ASR 单个文件最大 25 MB，推荐使用 mp3 格式。如文件过大，可用 ffmpeg 切割或降低采样率。
Q: 如何选择合适的语速？¶
A: 默认 1.0 为正常语速。播报类内容可设为 1.0-1.2；需要快速浏览可设为 1.5-2.0；缓慢朗读可设为 0.5-0.75。
Q: 长文本如何处理？¶
A: 单次输入建议不超过 4096 字符。超长文本请分段处理，生成多个音频后再拼接。
Q: 如何实现流式播放？¶
A: 获取音频数据后，可用 pyaudio 或 sounddevice 等库直接播放，无需先存储文件。
Q: 哪个 TTS 模型性价比最高？¶
A: gpt-4o-mini-tts 是目前性价比最优的选择，效果稳定且价格低廉。
Q: 中文语音合成推荐什么音色？¶
A: 推荐 nova 或 alloy，这两个音色对中文的优化较好，发音清晰自然。
下一步¶
最后更新: 2026-06-16