API text to speech : des voix compatibles OpenAI, traitées dans l'UE

POST /v1/audio/speech reçoit un corps JSON avec le model, le texte dans input et une voice, et renvoie directement le fichier audio au lieu d'un JSON. Enregistrez-le tel quel, comme dans l'exemple curl avec --output, ou lisez-le dans votre application. L'en-tête Content-Type indique le format audio.

Les modèles vocaux ouverts diffèrent par leurs langues et leurs voix. Chaque page modèle les liste, et les identifiants de voix sont propres au modèle : une voix OpenAI comme alloy n'existe pas sur un modèle ouvert, choisissez donc l'une des voix du modèle.

input contient le texte à prononcer. Rédigez-le tel qu'il doit sonner : écrivez en toutes lettres les abréviations, unités et nombres inhabituels si le modèle les lit mal, et jouez sur la ponctuation pour les pauses. Les textes longs se découpent en plusieurs requêtes, phrase par phrase.

response_format fixe le format : mp3 convient au web et aux applications, opus est compact et adapté au streaming et à la téléphonie, wav et pcm sont non compressés pour un traitement ultérieur, et la plupart des modèles proposent aussi aac et flac. speed règle le débit, 1.0 étant la vitesse normale. Les modèles qui le permettent acceptent instructions pour orienter le ton.

Un assistant vocal enchaîne trois appels : transcription de la question, chat completions pour la réponse, synthèse vocale pour la restituer. Pour qu'il réagisse vite, diffusez la réponse du chat en streaming, découpez-la en phrases à mesure qu'elles arrivent et envoyez chaque phrase au point de terminaison speech pendant que la suivante se génère. Lisez les extraits dans l'ordre.

Pour les messages fixes, comme les menus téléphoniques ou l'audio d'accueil, générez les fichiers une fois et mettez-les en cache au lieu d'appeler l'API à chaque lecture. Notez le modèle et la voix utilisés pour que les ajouts ultérieurs sonnent pareil.

Une voice inconnue du modèle choisi renvoie une erreur 400 qui la nomme ; consultez la page modèle ou demandez-nous la liste. Un input vide ou trop long pour une requête renvoie aussi un 400. Comme une réponse réussie est de l'audio binaire, vérifiez le statut HTTP avant d'enregistrer le corps, sinon vous risquez d'écrire un message d'erreur JSON dans un fichier mp3.

La prononciation des noms, des marques et des textes mêlant plusieurs langues varie selon les modèles. Testez avec vos vrais contenus et réécrivez phonétiquement dans input un mot systématiquement mal prononcé. Signalez la voix générée par IA lorsque la loi ou votre politique l'exige.