OpenAI ses modeli

• Geliştiricilerin OpenAI API'nin yeni metinden sese modelini deneyebileceği interaktif demo
• Prompt ile ses efektleri, ton, hız, duygu, telaffuz, duraklama vb. ayrıntılı biçimde belirtilebiliyor

Demo

• Ses seçimi: Alloy, Ash, Ballad, Coral, Echo ve diğerleri dahil 11 seçenek
• Çeşitli vibe seçenekleri: Sincere, Friendly, Noir Detective, Robot, Auctioneer vb.
• Örnek: Sincere

  Voice Affect: Calm, composed, and reassuring. Competent and in control, instilling trust.  
  Tone: Sincere, empathetic, with genuine concern for the customer and understanding of the situation.  
  Pacing: Slower during the apology to allow for clarity and processing. Faster when offering solutions to signal action and resolution.  
  Emotions: Calm reassurance, empathy, and gratitude.  
  Pronunciation: Clear, precise: Ensures clarity, especially with key details. Focus on key words like "refund" and "patience."   
  Pauses: Before and after the apology to give space for processing the apology.  
  

• Örnek: Medieval Knight

  Voice Affect: Derin, buyurgan ve hafif dramatik; Eski İngilizce hikâye anlatımının görkemini yansıtır  
  Tone: Asil, kahramansı ve resmî; ortaçağ şövalyesi ile epik maceraların özünü yakalar  
  Emotions: Heyecan, beklenti, gizem ve kader ile görevin ciddiyetinin birleşimi  
  Pronunciation: Açık ve özenli, hafif resmî bir ritim; "hast", "thou", "doth" gibi sözcükler Eski İngilizce telaffuz kalıplarını yansıtacak şekilde yavaşça vurgulanır  
  Pauses: "Lo!", "Hark!" gibi Eski İngilizce ifadelerden sonra duraklama; "Choose thy path" gibi cümlecikler arasında duraklama bırakılarak kararın önemi vurgulanır ve dinleyicinin görevin ciddiyetini düşünmesine alan tanınır  
  

[GN⁺]

Hacker News görüşleri

• Bu modellerin fiyatı ElevenLabs'e kıyasla oldukça daha ucuz

  • "gpt-4o-mini-tts" modeli için ses üretimi dakika başına $0.015, yani ElevenLabs'ten %85 daha ucuz
  • ElevenLabs'in "Business" planı ayda $1100 karşılığında 11.000 dakika TTS sunuyor, yani dakika başına 10 sent
  • OpenAI, 11.000 dakikalık TTS'yi $165'e sağlayabiliyor
  • Hesabın doğru olup olmadığının kontrol edilmesi isteniyor

• OpenAI'dan Jeff, yeni ses modellerinin yayınlandığını duyuruyor

  • İki konuşma tanıma modeli ve yeni bir TTS modeli yayınlandı
  • Agents SDK desteği sayesinde metin ajanlarını ses ajanlarına dönüştürmek kolaylaşıyor
  • Sorusu olanların sormasını istiyor

• Metinden sese ve sesten metne modellerinde güvenilirlik sorunlarına değiniliyor

  • Bunun gerçek dünya uygulamalarında ne kadar sorun yaratacağından emin olunmadığı belirtiliyor
  • Bununla ilgili yazılmış notlara bağlantı veriliyor

• Üretilen sesle birlikte "speech marks" almanın bir yolu soruluyor

  • AWS Polly TTS hizmetinde kullanılan "speech marks" açıklanıyor
  • Metin vurgulama ve lip-sync için faydalı olduğu belirtiliyor

• Son dönemde büyük metinden sese ve sesten metne modellerindeki ilerlemeler

  • Çevrimdışı, çok dilli metinden sese çözümlere ihtiyaç olduğu belirtiliyor
  • Tortoise TTS'nin kelimeleri sık sık bozduğu düşünülüyor
  • Acapela SDK'nın masaüstü uygulama eklentileri için tek çözüm olduğu söyleniyor
  • Yeni sinir ağı tabanlı modellerin sıradan bilgisayarlarda verimli çalışması umuluyor

• "vibe" kutusuna girilen metne göre farklı tonlama ve karakterler üretilebiliyor

  • Akıllı prosodi ve tonlama seviyesi etkileyici bulunuyor
  • Teknolojinin, sesli kitap kaydı için neredeyse sadece ünlülere ihtiyaç duyulacak kadar ilerlediği söyleniyor
  • Çeşitli eğlenceli ses örnekleri paylaşılıyor

• Navy Seal copypasta girildiğinde verilen tepki

  • Güvenlik kontrolleri "vibe" talimatına göre farklı çalışıyor
  • NYC taksi şoförü örneği sorunsuz çalışıyor ve eğlenceli bulunuyor

• Yeni modelin sesinde hafif bir titreşim olduğu ve bu nedenle Siri'den daha kötü geldiği düşünülüyor

• OpenAI'ın resmi araçlarının yeni model duyurusuyla bağlantılı olduğu belirtiliyor

• Resmi duyurudan önemli bir alıntı

  • Geliştiriciler modele sadece ne söyleyeceğini değil, bunu nasıl söyleyeceğini de belirtebiliyor
  • "vibes", arayüzdeki talimatlar anlamına geliyor
  • Yeni model, ince farkları daha iyi kabul ediyor
  • gpt-4o-mini-tts ses çıkışı maliyeti dakika başına $0.015 olduğu için pratik bulunuyor
  • Daha fazla test yapılmasının planlandığı belirtiliyor

[sylee999]

Türkçe de kusursuz şekilde çalışıyor.