مدل‌های جدید اضافه شدند: GPT-4o mini TTS و مدل‌های Stability AI اکنون در دسترس هستند

تاریخ: 1404-02-14

خلاصه

AvalAI از پشتیبانی مدل GPT-4o mini TTS از OpenAI خبر می‌دهد، یک مدل تبدیل متن به گفتار جدید که بر پایه مدل زبانی قدرتمند GPT-4o mini ساخته شده است. این مدل متن را به گفتار طبیعی با کیفیت بالا و سرعت مناسب تبدیل می‌کند و تعادل عالی بین عملکرد و کارایی را ارائه می‌دهد. همچنین، ما از اضافه شدن چندین مدل جدید تولید تصویر از Stability AI برای گسترش گزینه‌های خلاقانه شما خبر می‌دهیم.

---

جزئیات

OpenAI

• gpt-4o-mini-tts: یک مدل تبدیل متن به گفتار با پشتیبانی GPT-4o mini که متن را به صدای طبیعی با عملکرد بالا و سرعت پردازش سریع تبدیل می‌کند. مستندات

GPT-4o mini TTS نشان‌دهنده پیشرفت در فناوری تبدیل متن به گفتار است که با بهره‌گیری از قابلیت‌های مدل زبانی GPT-4o mini، گفتار طبیعی‌تر و بیانگرتری تولید می‌کند. این مدل برای برنامه‌هایی که نیازمند خروجی صوتی با کیفیت بالا و پردازش کارآمد هستند، مانند دستیاران مجازی، ویژگی‌های دسترسی‌پذیری محتوا و تولید محتوای صوتی ایده‌آل است.

Stability AI

همچنین با افتخار از پشتیبانی جدیدترین مدل‌های تولید تصویر از Stability AI خبر می‌دهیم:

• stability.sd3-large-v1:0: جدیدترین مدل بزرگ Stable Diffusion 3 با قابلیت تولید تصاویر با کیفیت بالا
• stability.sd3-5-large-v1:0: مدل پیشرفته Stable Diffusion 3.5 با قابلیت‌های ارتقا یافته
• stability.stable-image-ultra-v1:1: تولید تصویر با کیفیت فوق‌العاده بالا و جزئیات استثنایی (نسخه 1.1)
• stability.stable-image-ultra-v1:0: تولید تصویر با کیفیت فوق‌العاده بالا و جزئیات استثنایی (نسخه 1.0)
• stability.stable-image-core-v1:1: مدل اصلی تولید تصویر بهینه‌سازی شده برای کارایی و کیفیت (نسخه 1.1)
• stability.stable-image-core-v1:0: مدل اصلی تولید تصویر بهینه‌سازی شده برای کارایی و کیفیت (نسخه 1.0)

این مدل‌ها طیفی از گزینه‌ها از تولید تصویر کارآمد تا خروجی‌های با کیفیت فوق‌العاده بالا را ارائه می‌دهند که برای کاربردهای مختلف خلاقانه و حرفه‌ای مناسب هستند.

ویژگی‌های کلیدی

• گفتار طبیعی: تولید گفتار شبیه به انسان با آهنگ و بیان مناسب
• پردازش سریع: تبدیل سریع متن به صدا
• عملکرد بالا: کیفیت برتر نسبت به سیستم‌های سنتی TTS
• مصرف بهینه منابع: ساخته شده بر اساس معماری کارآمد GPT-4o mini
• محدودیت ورودی 2000 توکن: پشتیبانی از متن‌های ورودی تا سقف 2000 توکن

قیمت‌گذاری

GPT-4o mini TTS قیمت‌گذاری رقابتی ارائه می‌دهد:

• ورودی: 0.60 دلار به ازای هر 1 میلیون کاراکتر (کاراکترهای متنی در بخش‌های 'prompt' و 'instruction')
• خروجی: 0.00025 دلار به ازای هر ثانیه صدای تولید شده
• هزینه تخمینی خروجی: تقریبا 15 دلار به ازای هر دقیقه صدا (ممکن است بسته به محاسبات دقیق OpenAI متفاوت باشد)

این قیمت‌گذاری صرفه‌جویی قابل توجهی نسبت به مدل‌های رده بالاتر مانند GPT-4o Realtime را نشان می‌دهد، در حالی که عملکرد عالی خود را حفظ می‌کند.

مثال‌های استفاده از مدل GPT-4o mini TTS

Python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

# تولید گفتار از متن
response = client.audio.speech.create(
    model="gpt-4o-mini-tts",
    voice="alloy",
    input="به AvalAI خوش آمدید! ما از معرفی مدل جدید GPT-4o mini TTS برای تولید گفتار طبیعی هیجان‌زده هستیم.",
)

# ذخیره صدا در فایل
response.stream_to_file("output.mp3")

JavaScript

import { OpenAI } from "openai";
import * as fs from "fs";

const client = new OpenAI({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir/v1",
});

async function generateSpeech() {
  const response = await client.audio.speech.create({
    model: "gpt-4o-mini-tts",
    voice: "alloy",
    input:
      "به AvalAI خوش آمدید! ما از معرفی مدل جدید GPT-4o mini TTS برای تولید گفتار طبیعی هیجان‌زده هستیم.",
  });

  const buffer = Buffer.from(await response.arrayBuffer());
  fs.writeFileSync("output.mp3", buffer);
}

generateSpeech();

محدودیت‌های نرخ

GPT-4o mini TTS در سطوح کاربری زیر در دسترس است:

سطح	درخواست در دقیقه (RPM)	توکن در دقیقه (TPM)
سطح 1	500	50,000
سطح 2	2,000	150,000
سطح 3	5,000	600,000
سطح 4	10,000	2,000,000
سطح 5	10,000	8,000,000

توجه داشته باشید که سطح رایگان از این مدل پشتیبانی نمی‌کند.

به‌روزرسانی‌های پاسخ API: اطلاعات هزینه تخمینی

ویژگی جدیدی به پاسخ‌های API خود اضافه کرده‌ایم: یک دیکشنری estimated_cost که اطلاعات قیمت‌گذاری را در چندین ارز ارائه می‌دهد. این به شما کمک می‌کند تا هزینه‌های استفاده از API را به طور مؤثرتری پیگیری و مدیریت کنید. این دیکشنری شامل موارد زیر است:

• unit: هزینه به دلار آمریکا/تتر (USDT)
• irt: هزینه به تومان (IRT)، محاسبه شده به صورت هزینه دلار × نرخ تبدیل USDT-IRT
• exchange_rate: نرخ تبدیل فعلی USDT-IRT مورد استفاده برای تبدیل

مثال پاسخ با هزینه تخمینی:

{
  "id": "response-123456",
  "object": "chat.completion",
  "created": 1714911234,
  "model": "gpt-4o-mini-tts",
  "choices": [...],
  "usage": {
    "prompt_tokens": 42,
    "completion_tokens": 128,
    "total_tokens": 170
  },
  "estimated_cost": {
    "unit": 0.0025,
    "irt": 200,
    "exchange_rate": 80000
  }
}

لطفا توجه داشته باشید که:

• این فیلد ممکن است در تمام پاسخ‌ها موجود نباشد
• برای درخواست‌های معمولی (غیر جریانی)، در پاسخ اصلی گنجانده شده است
• برای درخواست‌های جریانی (streaming)، به آخرین بخش پاسخ جریانی متصل می‌شود
• هزینه تخمینی تضمین نمی‌شود که همیشه موجود باشد زیرا این یک تخمین است، نه مبلغ نهایی صورتحساب

---

پیوندهای مرتبط

• مرجع API صوتی
• راهنمای تبدیل متن به گفتار
• راهنمای انتخاب مدل
• اطلاعات قیمت‌گذاری
• راهنمای تولید تصویر