Az OpenAI három beszédmodellje leáll, itt az AssemblyAI migrációs útja

Januárban leáll az érintett három modell

Az OpenAI október 1-jén tette közzé a kivezetési tájékoztatót. A tts-1, a tts-1-hd, valamint a gpt-4o-mini-tts 2025. március 20-i és 2025. december 15-i változata 2027. január 6-án leáll.

Az OpenAI kivezetési oldala a gpt-realtime-2.1-mini modellt jelöli meg utódként. Az AssemblyAI ugyanakkor arra hívja fel a figyelmet, hogy az OpenAI saját szövegfelolvasási útmutatója szerint ez a modell nem támogatott a /v1/audio/speech végponton. A Realtime API használata így eltérő munkafolyamatot jelentene, munkamenetekkel és eseményekkel az utteranciánkénti HTTP-kérések helyett.

Az OpenAI SDK megtartható

Az AssemblyAI kompatibilitási útvonala ugyanazt a POST /audio/speech kérésformátumot használja saját alap URL-en. A fejlesztők megtarthatják a már használt OpenAI SDK-t, és az ügyfél inicializálásakor módosíthatják az alap URL-t, az API-kulcsot, valamint a modell nevét.

Az amerikai adatkezelési zóna címe https://tts.us.assemblyai.com/v1/openai, az európaié pedig https://tts.eu.assemblyai.com/v1/openai. Az AssemblyAI példái a assemblyai-tts-en modellt használják. A szolgáltatás angol, spanyol, francia, német, olasz és portugál nyelvhez kínál modelleket, az AssemblyAI szerint több ezer választható hanggal.

A szolgáltató közlése alapján az AssemblyAI-TTS-1 beszélgetési hangügynökökhöz készült, és olyan részletekre is fókuszál, mint a megerősítő kódok, árak, dátumok és nevek. A díj 1 millió karakterenként 15 dollár, a számlázás a bemeneti karakterek alapján történik. A szolgáltatás korlátlan párhuzamosságot kínál.

Modellek, hangok és kompatibilitási eltérések

Az OpenAI modellnevei nem vihetők át közvetlenül. Ha a fejlesztő például továbbra is a tts-1 nevet küldi, 400-as, model_not_found hibát kap. A használható modellnevek között szerepel az assemblyai-tts-en, az assemblyai-tts-es, az assemblyai-tts-de, az assemblyai-tts-it, az assemblyai-tts-pt és az assemblyai-tts-fr, valamint a nyelv nélküli assemblyai-tts-1.

Angol nyelven az OpenAI hangneveihez AssemblyAI-hangok rendelhetők. Például az alloy az aai-jane, az echo az aai-paul, a nova pedig az aai-eve hangra mutat. Ez a megfeleltetés csak angolul érvényes, más nyelveken minden ilyen név az aai-jane hangot használja. Más nyelvű ügynökökhöz nyelvhez rögzített hang slugját vagy UUID-jét kell megadni.

Az AssemblyAI kompatibilitási útvonala MP3, PCM, WAV, mulaw és alaw formátumot fogad. Az opus, az aac és a flac nem támogatott. A sebesség csak az 1-es értékkel működik, az utasítások mezőt a szolgáltatás figyelmen kívül hagyja. A bemenet hossza 1 és 5000 Unicode-kódpont között lehet, a válaszok pedig karakteralapú használati adatokat adnak, nem tokenstatisztikát.

Mit jelent ez a fejlesztőknek?

Az átállás az AssemblyAI leírása szerint a legtöbb integrációnál az ügyfél két beállításának, az alap URL-nek és az API-kulcsnak, valamint a modellnévnek a módosítását jelenti. A Python- és JavaScript-példákban a kérés többi része változatlan marad.

A migráció előtt azonban ellenőrizni kell a használt hangokat, formátumokat, sebességbeállításokat és az utasítások mezőjét. A szolgáltatás modelllistája kulcs nélkül is lekérdezhető a /v1/openai/models végponton. Az AssemblyAI szerint a hangátállás ellenőrzését az is segíti, hogy a válaszok az aktuálisan használt hang azonosítóját tartalmazó fejlécet adnak vissza.