gpt-4o-mini-tts ra mắt ngày 20/03/2025 trong bộ audio model của OpenAI. Điểm đáng chú ý là khả năng nhận hướng dẫn cách nói, thay vì chỉ đọc văn bản với một giọng cố định. Đây là model text-to-speech: đầu vào văn bản, đầu ra âm thanh, không phải hệ thống tự nghe và trả lời hội thoại hoàn chỉnh.
Điều khiển phong cách phát giọng
Thông cáo ra mắt mô tả việc hướng dẫn model nói theo cách cụ thể, chẳng hạn phong cách nhân viên chăm sóc khách hàng đồng cảm. Điều này hữu ích cho lời dẫn, nội dung học tập và giao tiếp có sắc thái. Hướng dẫn phong cách không bảo đảm mọi câu đều đạt cùng độ tự nhiên hoặc phát âm đúng mọi tên riêng.
Cần phân biệt giọng biểu cảm với khả năng hiểu hoặc có cảm xúc. Âm thanh thuyết phục là đầu ra tổng hợp; không phải bằng chứng một người thật đã nói câu đó. Khi sử dụng trong sản phẩm, nên cho người nghe biết họ đang nghe giọng AI và không trình bày nó như bản ghi của một nhân vật có thật.
API chuyên dụng, không thay thế nhận dạng giọng nói
Tài liệu model xác nhận endpoint speech generation v1/audio/speech, text đầu vào và audio đầu ra. Model không hỗ trợ endpoint transcription. Để chuyển cuộc gọi thành chữ cần model như gpt-4o-transcribe, rồi một thành phần xử lý nội dung trước khi phát giọng.
Tài liệu hiện hành ghi tối đa 2.000 token đầu vào và liệt kê snapshot tháng 03 cùng tháng 12/2025. Đây là thông tin của tài liệu đang cập nhật, không phải bằng chứng mọi snapshot có hành vi giống hệt nhau. Nội dung dài cần chia đoạn hợp lý và kiểm tra chỗ nối, thay vì coi model tự quản lý cả một cuốn sách.
Chi phí có hai loại token
Trang model được đối chiếu hiển thị 0,60 USD trên một triệu token văn bản đầu vào và 12 USD trên một triệu token âm thanh đầu ra. Hai đơn vị khác nhau không được cộng như cùng một lượng token. Đây là giá tham khảo từ trang động, không khẳng định bảng giá lịch sử ngày ra mắt; cần kiểm tra giá đang áp dụng trước khi dự toán.
Chi phí hoàn thiện còn gồm các lần tạo lại để sửa phát âm, chỉnh kịch bản, biên tập âm thanh và kiểm tra chất lượng. Không suy một mức tiền cố định mỗi phút nếu chưa có quy tắc quy đổi phù hợp. Phí thuê bao ChatGPT cũng không phải đơn giá của API speech.
Giới hạn trong nội dung tiếng Việt
Công bố không cung cấp trong các đoạn bằng chứng được dẫn một bảo đảm riêng về chất lượng mọi giọng vùng miền tiếng Việt. Số, chữ viết tắt, từ ngoại ngữ và tên thương hiệu nên được nghe kiểm tra. Giọng đọc trôi chảy vẫn có thể đặt trọng âm hoặc ngắt câu sai, làm thay đổi cách người nghe hiểu nội dung.
So với gpt-4o-mini-transcribe, chiều chuyển đổi của TTS là ngược lại. Giá trị của mini-tts nằm ở phát lời nói có hướng dẫn phong cách; phần kiểm chứng nội dung, quyền sử dụng và trải nghiệm nghe vẫn cần được xử lý ngoài model.
Nguồn: OpenAI, công bố audio model ngày 20/03/2025; tài liệu gpt-4o-mini-tts.
Tác giả
Chăm Sóc Khách Hàng
