核心用法
OpenAI TTS 技能通过调用 /v1/audio/speech 端点，将文本转换为逼真的人声。基础调用仅需一行命令：
{baseDir}/scripts/speak.sh "Hello, world!"支持通过参数精细控制：选择 tts-1（快速）或 tts-1-hd（高保真）模型，6 种预设音色（alloy、echo、fable、onyx、nova、shimmer），输出格式覆盖 mp3、opus、aac、flac、wav、pcm，并可调节 0.25-4.0 倍语速。结果可输出至指定文件或 stdout，便于管道化处理。
显著优点
- 音质领先：基于 OpenAI 自研 TTS 模型，语音自然度接近真人，远优于传统合成方案
- 即开即用：仅需
OPENAI_API_KEY环境变量，无需本地模型部署 - 成本极低：tts-1 约 $0.015/千字符，短文本响应成本可忽略
- 灵活可控：6 种风格化音色适配不同场景，多格式输出兼容各类终端
潜在缺点与局限性
- 依赖网络：完全依赖 OpenAI 云端服务，离线不可用
- 隐私敏感：文本需上传至 OpenAI 服务器，不适合涉密内容
- 字符限制：API 存在输入长度上限，超长文本需分段处理
- 成本累积：高频率或大文本量场景下费用会显著增长
- 中文优化：部分用户反馈中文韵律与英文相比略逊
适合人群
- 需要快速集成高质量语音输出的开发者
- 构建语音助手、有声内容、无障碍读屏应用的团队
- 原型验证阶段不愿投入 TTS 模型训练资源的项目
常规风险
- API 密钥泄露：
OPENAI_API_KEY若被窃取可能导致账户盗刷 - 数据留存：根据 OpenAI 政策，输入数据可能被用于模型改进（视用户协议而定）
- 服务中断：依赖第三方 SLA，存在网络延迟或可用性风险
- 合规审查：生成内容需遵守 OpenAI 使用政策，敏感话题可能被拒绝