模型定位
GPT-4o Mini TTS 是基于 GPT-4o mini 的文本转语音模型,可将输入文本转换为自然语音。OpenAI 于 2025 年 3 月 20 日发布该模型;对应的固定版本快照为 gpt-4o-mini-tts-2025-03-20。模型别名与固定快照并非同一概念:官方后来将别名指向了更新的快照。(openai.com)
能力与用途
- 可通过文字指令调整语音的口音、情绪、语调、语速和语气等表达方式,适用于客服语音、创意故事讲述和文章朗读等场景。(openai.com)
- 支持多语言语音生成,包括中文;支持流式音频输出。语音当前针对英语进行了优化。(developers.openai.com)
- 可通过
v1/audio/speech接口生成音频,支持 MP3、Opus、AAC、FLAC、WAV 和 PCM 等格式。(developers.openai.com)
限制与状态
- 模型接收文本输入并输出音频,不支持图像或视频输入,也不是音频转文字模型。模型页面列出的最大输入为 2,000 个 token;Speech API 的
input参数另有 4,096 字符上限。(developers.openai.com) - 面向终端用户使用时,OpenAI 要求明确告知用户听到的是 AI 生成的声音,而非真人声音。(developers.openai.com)
- 截至 2026 年 11 月 19 日,官方已将该模型及其 2025 年 3 月 20 日快照标记为弃用,计划于 2027 年 1 月 6 日关闭。官方建议新集成迁移至 Realtime API 的
gpt-realtime-2.1-mini;迁移需要更改 API 工作流。(developers.openai.com)
价格
截至 2026 年 11 月 19 日,OpenAI 模型页面列出的 API 价格为美元(USD):输入文本每 100 万 token 0.60 美元;输出音频每 100 万 token 12.00 美元。这是模型页面所列价格,并非分别针对该 2025 年快照公布的独立报价;该快照的单独价格未核实。(developers.openai.com)