什么是 OpenAI 文本转语音声音？

与 Foundry 工具中的 Azure 语音一样，OpenAI 文本转化为语音提供高质量的语音合成功能，将书面文本转换为自然流畅的语音。 它可解锁各种沉浸式和交互式用户体验的可能性。

OpenAI 文本转语音声音通过两个模型变体提供：Neural 和 NeuralHD。

• Neural：针对延迟最低的实时用例优化，但质量低于 NeuralHD。
• NeuralHD：针对质量优化。

Foundry Tools 中可用的文本转语音声音

你可能会问：如果我想使用 OpenAI 文本转语音声音，我应该通过 Microsoft Foundry 模型中的 Azure OpenAI 或通过 Azure 语音使用它吗？ 哪些方案可指导我使用其中某个方法？

每个语音模型提供不同的特性和功能，你可以选择最适合特定需求的语音模型。 你想要了解 Foundry 工具中可用文本与语音语音之间的选项和差异。

你可以在 Foundry Tools 中选择以下文本转语音声音：

• OpenAI 文本转语音在 Azure OpenAI 中。 有关受支持区域的当前列表，请参阅 语音服务区域表。
• 在Azure 语音中使用 OpenAI 文本转语音功能。 有关受支持区域的当前列表，请参阅 语音服务区域表。
• Azure 语音服务 文本转语音。 在数十个区域中可用。 请参阅区域列表。

通过 Azure OpenAI 或 Azure 语音服务实现 OpenAI 文本到语音的转换？

如果要使用 OpenAI 文本转语音语音，可以选择是通过 Azure OpenAI 还是通过 Azure 语音使用它们。 可以访问语音库来聆听 Azure OpenAI 语音样本，或使用有声内容创作将语音与你自己的文本合成在一起。 两种情况下的音频输出相同，两种服务之间只有一些功能差异。 有关详细信息，请参阅下表。

下面是 Azure OpenAI 中的 OpenAI 文本转语音声音与 Azure 语音中的 OpenAI 文本转语音声音的功能比较。

Feature	Azure OpenAI （OpenAI 语音）	Azure 语音（OpenAI 发音）	Azure 语音服务
区域	美国中北部、瑞典中部	美国中北部、瑞典中部	在数十个区域中可用。 请参阅区域列表。
语音种类	6	12	超过 500
多语种声音号码	6	12	49
最大多语种语言覆盖范围	57	57	77
语音合成标记语言 (SSML) 支持	不支持	对一部分 SSML 元素的支持。	支持 Azure 语音中 完整的 SSML 功能。
开发选项	REST API	语音 SDK、语音 CLI、REST API	语音 SDK、语音 CLI、REST API
部署选项	仅限云	仅限云	云、嵌入式、混合和容器。
实时或批量合成	实时	实时	实时和批量合成
滞后时间	大于 500 毫秒	大于 500 毫秒	小于 300 毫秒
合成音频的采样率	24 kHz	8、16、24 和 48 kHz	8、16、24 和 48 kHz
语音输出音频格式	opus、mp3、aac、flac	opus、mp3、pcm、truesilk	opus、mp3、pcm、truesilk

Azure 语音中提供了其他特性和功能，这些特性和功能在 OpenAI 语音中不可用。 例如：

• 在 Azure 语音中，OpenAI 文本转语音 仅支持 SSML 元素的子集。 Azure 语音支持整套 SSML 元素。
• Azure 语音支持 字边界事件。 OpenAI 语音不支持字边界事件。

可用的 OpenAI 文本转语音声音

Azure OpenAI 中可用的 OpenAI 语音包括：

• alloy
• echo
• fable
• onyx
• nova
• shimmer

Azure 语音中可用的 OpenAI 语音包括：

• en-US-AlloyMultilingualNeural
• en-US-EchoMultilingualNeural
• en-US-FableMultilingualNeural
• en-US-OnyxMultilingualNeural
• en-US-NovaMultilingualNeural
• en-US-ShimmerMultilingualNeural
• en-US-AlloyMultilingualNeuralHD
• en-US-EchoMultilingualNeuralHD
• en-US-FableMultilingualNeuralHD
• en-US-OnyxMultilingualNeuralHD
• en-US-NovaMultilingualNeuralHD
• en-US-ShimmerMultilingualNeuralHD

Azure 语音中 OpenAI 文本转语音声音支持的 SSML 元素

包含输入文本的语音合成标记语言 (SSML) 确定了文本转语音输出的结构、内容和其他特征。 例如，可以使用 SSML 来定义段落、句子、中断/暂停或静音。 可以使用事件标记（例如 bookmark 或 viseme）来括住文本，你的应用程序以后可以处理这些标记。

下表概述了 Azure 语音中的 OpenAI 文字转语音声音支持的语音合成标记语言（SSML）元素。 OpenAI 声音仅支持以下一部分 SSML 标记。 有关详细信息，请参阅 SSML 文档结构和事件。

SSML 元素名称	说明
<speak>	将要朗读的整个内容括起来。 它是 SSML 文档的根元素。
<voice>	指定用于文本转语音输出的声音。
<sub>	指示应读出别名属性的文本值，而不是元素中包含的文本。
<say-as>	指示元素的文本的内容类型，例如数字或日期。 除 interpret-as 外，此元素支持所有 interpret-as="name" 属性值。 例如，支持 <say-as interpret-as="date" format="dmy">10-12-2016</say-as>，但不支持 <say-as interpret-as="name">ED</say-as>。 有关详细信息，请参阅 SSML 的发音。
<s>	表示句子。
<lang>	指示你希望神经网络声音所说的语言的默认区域设置。
<break>	用于替代字词之间的默认中断或暂停行为。

相关内容

• 在 Azure 语音中试用快速入门的文本转语音功能
• 通过 Azure OpenAI 尝试文本转语音