Synthetisieren von Sprache
Sprachsynthese oder Text-zu-Sprache ist die Umkehrung von Sprache zu Text. Es umfasst das Übermitteln von Text an ein Modell, das einen Audiostream des vokalisierten Texts zurückgibt.
Modelle, die Text-zu-Sprache-Vorgänge unterstützen, umfassen:
- gpt-4o-tts
- gpt-4o-mini-tts
Hinweis
Die Modellverfügbarkeit variiert je nach Region. Überprüfen Sie die Regionale Verfügbarkeitstabelle des Modells in der Microsoft Foundry-Dokumentation.
Verwenden eines Text-zu-Sprache-Modells
Ähnlich wie bei Sprach-zu-Text-Modellen können Sie den AzureOpenAI-Client im OpenAI SDK verwenden, um eine Verbindung mit dem Endpunkt für Ihre Microsoft Foundry-Ressource herzustellen und Text in ein Text-zu-Sprache-Modell für die Sprachsynthese hochzuladen.
from openai import AzureOpenAI
from pathlib import Path
# Create an AzureOpenAI client
client = AzureOpenAI(
azure_endpoint=YOUR_FOUNDRY_ENDPOINT,
api_key=YOUR_FOUNDRY_KEY,
api_version="2025-03-01-preview"
)
# Path for audio output file
speech_file_path = Path("output_speech.wav")
# Generate speech and save to file
with client.audio.speech.with_streaming_response.create(
model=YOUR_MODEL_DEPLOYMENT,
voice="alloy",
input="This speech was AI-generated!",
instructions="Speak in an upbeat, excited tone.",
) as response:
response.stream_to_file(speech_file_path)
print(f"Speech generated and saved to {speech_file_path}")