तेरह OpenAI TTS voices, तीन मॉडल और कोई ऑडियो प्रीव्यू नहीं। यह लेख हर voice की तुलना करता है, बताता है कि उसे कौन-सा मॉडल सपोर्ट करता है, खुद परखने के लिए एक टेस्ट स्क्रिप्ट देता है, असली लागत का हिसाब समझाता है, और नैरेशन, सपोर्ट बॉट और छोटे वीडियो के लिए शुरुआती पसंद सुझाता है।
तेरह voice नाम, तीन मॉडल, और उस पेज पर कोई ऑडियो प्रीव्यू नहीं जहाँ से आपको एक चुनना है। OpenAI के speech endpoint पर ज़्यादातर डेवलपर्स सबसे पहले इसी दीवार से टकराते हैं। Alloy, ash, ballad, coral, echo, fable, nova, onyx, sage, shimmer, verse, marin और cedar, ये सब ड्रॉपडाउन में बराबर ठीक लगते हैं, फिर भी ये हर मॉडल पर एक जैसा बर्ताव नहीं करते, और आपकी स्क्रिप्ट पर इनकी आवाज़ भी एक जैसी नहीं होगी। यह लेख बताता है कि हर OpenAI TTS voice क्या है, उसे कौन-सा मॉडल सपोर्ट करता है, सभी तेरह को दस मिनट से कम में कैसे आज़माएँ, बिल कैसा दिखता है, और नैरेशन, सपोर्ट बॉट और छोटे वीडियो के लिए किससे शुरुआत करें। यह PicassoIA पर उन speech टूल्स की ओर भी इशारा करता है जो OpenAI की पेशकश के साथ मौजूद हैं, जिनमें एक ट्यूटोरियल वाला टूल भी है जिसे आप आज ही चला सकते हैं।
OpenAI की text to speech API एक ही endpoint के ज़रिए लिखे टेक्स्ट को बोले गए ऑडियो में बदलती है। आप एक मॉडल का नाम, एक voice का नाम और अपना टेक्स्ट भेजते हैं, और बदले में एक ऑडियो फ़ाइल मिलती है। जो बात लोगों को उलझा देती है वह यह है कि आप कौन-सा मॉडल चुनते हैं, यह तय करता है कि आप कितनी voices इस्तेमाल कर सकते हैं और बोलने के ढंग पर आपका कितना नियंत्रण होगा।
| मॉडल | Voices | कीमत | सबसे अच्छा किसके लिए |
|---|---|---|---|
| tts-1 | 9 | प्रति 1M characters $15 | तेज़, कम लागत वाले ड्राफ़्ट और लाइव प्लेबैक |
| tts-1-hd | 9 | प्रति 1M characters $30 | पहले से रेंडर किया गया ज़्यादा फ़िडेलिटी वाला ऑडियो |
| gpt-4o-mini-tts | 13 | प्रति 1M text tokens इनपुट $0.60, प्रति 1M audio tokens आउटपुट $12 | इंस्ट्रक्शन के ज़रिए लहज़ा, गति और एक्सेंट बदलने की सुविधा |
दोनों पुराने मॉडल कैरेक्टर गिनती के हिसाब से कीमत लेते हैं। gpt-4o-mini-tts की कीमत टोकन में तय होती है, यानी आपकी लागत स्क्रिप्ट की लंबाई पर नहीं, बल्कि ऑडियो की लंबाई पर चलती है।
ऑडियो डिफ़ॉल्ट रूप से MP3 में वापस आता है, और विकल्प के तौर पर Opus, AAC, FLAC, WAV और PCM मिलते हैं। हर फ़ॉर्मेट का अपना काम है:
यह endpoint ऑडियो को बनते समय ही स्ट्रीम कर सकता है, इसलिए पूरा क्लिप तैयार होने से पहले ही प्लेबैक शुरू हो सकता है। वॉयस असिस्टेंट्स के लिए यह बड़ा फ़र्क डालता है, क्योंकि वहाँ दो सेकंड की चुप्पी भी कॉल कटने जैसी लगती है।
नौ voices हर मॉडल पर चलती हैं। चार और सिर्फ़ gpt-4o-mini-tts पर चलती हैं। यह रही पूरी सूची, साथ में एक नोट कि सुनने वाले हर एक को आम तौर पर कैसे बताते हैं।
💡 पहले यह पढ़ें: OpenAI अपनी voices के लिए व्यक्तित्व के लेबल प्रकाशित नहीं करता, इसलिए "आम तौर पर इस तरह बताई जाती है" वाला कॉलम उस बात को दिखाता है जो डेवलपर्स और सुनने वाले अक्सर कहते हैं, कोई आधिकारिक स्पेसिफ़िकेशन नहीं। इसे शॉर्टलिस्ट की तरह लें और अंतिम फ़ैसला अपने कानों पर छोड़ें।
| Voice | आम तौर पर इस तरह बताई जाती है | कहाँ चलती है |
|---|---|---|
| alloy | न्यूट्रल, संतुलित, हर काम के लिए | तीनों मॉडल |
| ash | नरम, थोड़ी खुरदरी, बातचीत जैसी | तीनों मॉडल |
| coral | गर्मजोश, दोस्ताना, सहज | तीनों मॉडल |
| echo | साफ़, स्थिर, तथ्य-आधारित | तीनों मॉडल |
| fable | कहानीकार जैसा अंदाज़, अभिव्यंजक, अक्सर ब्रिटिश सुनाई देती है | तीनों मॉडल |
| nova | चमकदार, ऊर्जावान, उत्साही | तीनों मॉडल |
| onyx | गहरी, आधिकारिक, शांत | तीनों मॉडल |
| sage | नपी-तुली, सोच-समझकर, समान गति | तीनों मॉडल |
| shimmer | हल्की, साफ़, कोमल | तीनों मॉडल |
ये नौ सबसे लंबे समय से हैं, इसलिए इनका इस्तेमाल सबसे ज़्यादा होता है और इन पर राय ढूँढना भी सबसे आसान है। अगर आपका प्रोडक्ट पहले से alloy या nova के साथ चल रहा है, तो स्विच करने की वजह तभी होती है जब नई voices कोई खास समस्या हल करें।
| Voice | आम तौर पर इस तरह बताई जाती है | कहाँ चलती है |
|---|---|---|
| ballad | चिकनी, मधुर, कोमल | केवल gpt-4o-mini-tts |
| verse | अभिव्यंजक, गतिशील, जीवंत | केवल gpt-4o-mini-tts |
| marin | स्वाभाविक, परिष्कृत, फ़्लैगशिप क्वालिटी | केवल gpt-4o-mini-tts |
| cedar | स्वाभाविक, ज़मीन से जुड़ी, गर्म | केवल gpt-4o-mini-tts |
OpenAI का अपना डॉक्यूमेंटेशन सबसे अच्छी क्वालिटी के लिए marin या cedar की सलाह देता है, जिससे ये किसी नए प्रोजेक्ट के लिए स्वाभाविक पहला टेस्ट बन जाती हैं। चूँकि ये केवल gpt-4o-mini-tts पर चलती हैं, इन्हें चुनने का मतलब यह भी है कि आपको इंस्ट्रक्शन फ़ील्ड मिलेगा, और असली लचीलापन वहीं है।
ऑडियो किसी टेक्स्ट पेज के अंदर नहीं रह सकता, इसलिए असली सैंपल पाने का सबसे तेज़ रास्ता उन्हें खुद बनाना है। एक ही स्क्रिप्ट के तेरह क्लिप बनाने में कुछ मिनट लगते हैं और कुछ पैसे।
अच्छी टेस्ट स्क्रिप्ट कोई सुंदर अनुच्छेद नहीं होती। वह एक स्ट्रेस टेस्ट होती है। ऐसी कोई चीज़ इस्तेमाल करें:
4,817 नंबर का ऑर्डर 3 मार्च को Dr. Okonkwo के पास 22 Birchwood Lane पर भेजा जाएगा। रुकिए, क्या आपने गुरुवार कहा? सच कहूँ तो मुझे उम्मीद नहीं थी कि डिलीवरी जल्दी आ जाएगी, पर देखिए, ऐसा हो ही गया। तीन बातें याद रखें: रसीद साथ लाएँ, सील जाँचें, और कुछ भी ठीक न लगे तो हमें कॉल करें।
इसमें एक लंबा नंबर, एक तारीख, एक कठिन सरनेम, एक सवाल, थोड़ा भावनात्मक मोड़ और एक सूची है। जो voices एक वाक्य पर बहुत अच्छी लगती हैं, वे अक्सर इनमें से किसी एक पर लड़खड़ा जाती हैं। फिर यह लूप चलाएँ:
from openai import OpenAI
from pathlib import Path
client = OpenAI()
script = "Order 4,817 ships on March 3rd to Dr. Okonkwo at 22 Birchwood Lane. ..."
voices = ["alloy", "ash", "ballad", "coral", "echo", "fable", "nova",
"onyx", "sage", "shimmer", "verse", "marin", "cedar"]
for voice in voices:
out = Path(f"sample_{voice}.mp3")
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice=voice,
input=script,
instructions="Speak clearly in a warm, even tone.",
) as response:
response.stream_to_file(out)
अच्छे हेडफ़ोन लगाकर सुनें और हर क्लिप को चार बातों पर अंक दें:
gpt-4o-mini-tts पर एक इंस्ट्रक्शन फ़ील्ड आपको सादी भाषा में बताने देता है कि voice कैसी सुनाई दे। OpenAI बताता है कि मॉडल को एक्सेंट, भावनात्मक रेंज, इंटोनेशन, इम्प्रेशन, गति, लहज़े और फुसफुसाने के लिए प्रॉम्प्ट किया जा सकता है। पुराने tts-1 और tts-1-hd मॉडल इसे सपोर्ट नहीं करते।
| इंस्ट्रक्शन | क्या उम्मीद करें |
|---|---|
| "Speak in a cheerful and positive tone." | उठी हुई, दोस्ताना पढ़ंत, ऑनबोर्डिंग के लिए अच्छी |
| "Calm, slow, like a bedtime story." | लंबे विरामों के साथ नरम डिलीवरी |
| "Professional and concise, like a news anchor." | कसी हुई गति, सपाट भावना |
| "Whisper the final sentence." | नाटकीय असर के लिए धीमी आवाज़ में आख़िरी वाक्य |
| "Sound apologetic but confident." | देरी के बारे में सपोर्ट स्क्रिप्ट के लिए उपयोगी |
💡 टिप: इंस्ट्रक्शन छोटे और ठोस रखें। एक साफ़ वाक्य अक्सर विशेषणों के पूरे अनुच्छेद से बेहतर काम करता है, और एक समय में एक ही इंस्ट्रक्शन बदलने से साफ़ पता चलता है कि नतीजे में क्या बदला।
नीचे की तालिका आज़माने के लिए शुरुआती बिंदुओं का सेट है, नियम नहीं। Voices व्यक्तिगत पसंद पर निर्भर करती हैं, और आपकी स्क्रिप्ट किसी भी लेबल से ज़्यादा मायने रखती है।
| काम | पहली पसंद | विकल्प |
|---|---|---|
| ऑडियोबुक और लंबे रीड | cedar | sage |
| सपोर्ट और फ़ोन बॉट | marin | coral |
| प्रोडक्ट डेमो | alloy | echo |
| विज्ञापन और छोटे क्लिप | nova | verse |
| मेडिटेशन और शांत कंटेंट | ballad | shimmer |
लंबी सुनाई मज़बूत व्यक्तित्व वाली voices को सज़ा देती है। जो तेज़ voice पंद्रह सेकंड में आपको मोह लेती है, वही दस मिनट तक आपको थका सकती है। नैरेशन के लिए ऐसी voice चुनें जो समान और धीमी हो, फिर इंस्ट्रक्शन से गर्माहट जोड़ें। पांडुलिपि को अनुच्छेदों की सीमाओं पर बाँटें, क्योंकि हर रिक्वेस्ट की इनपुट लंबाई की एक सीमा होती है और छोटे हिस्से voice को नई शुरुआत देते हैं। सटीक सीमा के लिए मौजूदा API रेफ़रेंस देखें।
बॉट के लिए सबसे ज़रूरी गुण हैं स्पष्टता और हल्के दबाव में भी भरोसेमंद लहज़ा। अपनी voice को उन सबसे खराब संदेशों पर परखें जो आप भेजते हैं: रिफ़ंड, देरी, आउटेज। जो voice बुरी खबर सुनाते समय भी खुशमिज़ाज लगती है, वह असंवेदनशील लगती है, इसलिए हर रिक्वेस्ट में "calm and sincere" जैसे इंस्ट्रक्शन लिखें। इसके साथ स्ट्रीमिंग जोड़ें ताकि जवाब तुरंत शुरू हों।
छोटे क्लिप ऊर्जा को इनाम देते हैं। nova या verse पर भरोसा करें, "upbeat, quick, conversational" जैसा इंस्ट्रक्शन जोड़ें, और वाक्य छोटे रखें ताकि बोलने की गति कभी जल्दबाज़ी में न आए। दो-तीन वर्ज़न रेंडर करें और कान से चुनें, क्योंकि अच्छे और बेहतरीन टेक के बीच का फ़र्क अक्सर एक बदले हुए विशेषण भर का होता है।
10,000 शब्दों की पांडुलिपि में लगभग 60,000 कैरेक्टर होते हैं, और स्वाभाविक गति पर लगभग 67 मिनट का भाषण बनता है। gpt-4o-mini-tts के लिए OpenAI का लॉन्च अनुमान ऑडियो के प्रति मिनट लगभग 1.5 सेंट था, और नीचे की आख़िरी पंक्ति इसी से निकाली गई है।
| मॉडल | 10,000 शब्दों के लिए मोटी लागत |
|---|---|
| tts-1 | लगभग $0.90 |
| tts-1-hd | लगभग $1.80 |
| gpt-4o-mini-tts | लगभग $1.00 |
ये आँकड़े इतने छोटे हैं कि मॉडल का फ़ैसला कीमत नहीं, voice की क्वालिटी करे। असली लागत आपका वह समय है जो उन टेक को दोबारा रेंडर करने में जाता है जिनमें लहज़ा चूक गया, और यही इंस्ट्रक्शन फ़ील्ड के पक्ष में एक और तर्क है।
OpenAI 50 से ज़्यादा भाषाओं का समर्थन सूचीबद्ध करता है, Afrikaans और Arabic से लेकर Czech, Danish और Dutch तक, साथ में यह नोट कि voices फ़िलहाल अंग्रेज़ी के लिए ऑप्टिमाइज़ हैं। व्यवहार में इसका मतलब है कि गैर-अंग्रेज़ी स्क्रिप्ट चलती है, पर एक्सेंट अंग्रेज़ी उच्चारण की ओर खिसक सकता है। हर वह भाषा टेस्ट करें जो आप भेजते हैं, और लॉन्च से पहले किसी मूल वक्ता से सुनवाएँ।
OpenAI की usage policies के अनुसार end users को साफ़ तौर पर बताना ज़रूरी है कि वे जो आवाज़ सुन रहे हैं, वह AI से बनी है और किसी इंसान की नहीं है। इस बात को अपने प्रोडक्ट में साफ़ दिखाएँ, छोटे अक्षरों वाली शर्तों में न छिपाएँ। कस्टम voices उपलब्ध हैं, लेकिन वे एक अलग प्रक्रिया के पीछे हैं, जिसमें speaker की सहमति की रिकॉर्डिंग और ऑडियो सैंपल देना ज़रूरी है। इसलिए अगर आप ब्रांड voice चाहते हैं, तो उसके लिए पहले से समय रखकर चलें।
PicassoIA OpenAI के speech मॉडल सूचीबद्ध नहीं करता। वह Generate speech कैटेगरी में कई दूसरे इंजन देता है, और साथ में उन दो कामों के टूल्स भी जो voice के आसपास होते हैं: नतीजे की जाँच और उसके नीचे साउंड जोड़ना।
| मॉडल | ख़ास बात |
|---|---|
| Gemini 3.1 Flash TTS | 30 voices, 70+ language codes, style prompts और expressive tags |
| MiniMax Speech 2.8 HD | स्टूडियो क्वालिटी वॉइसओवर |
| ElevenLabs V3 | स्वाभाविक, अभिव्यंजक AI वॉइसओवर |
| Inworld TTS 1.5 Max | 15 भाषाओं में तेज़ वॉइसओवर |
| Chatterbox | भावना नियंत्रण के साथ वॉइस क्लोनिंग |
| Qwen3 TTS | किसी voice को क्लोन करें या अपनी बनाएँ |
गलत उच्चारण वाले नाम पकड़ने का एक तेज़ तरीका है कि बने ऑडियो को वापस speech to text से चलाएँ और उसकी तुलना अपनी स्क्रिप्ट से करें। GPT-4o Transcribe और GPT-4o Mini Transcribe दोनों यह काम करते हैं, और Gemini 3 Pro तीसरी राय के रूप में ठीक है। अगर ट्रांसक्रिप्ट कोई शब्द गिरा दे या बदल दे, तो सुनने वाले ने शायद वही सुना होगा।
बिना किसी बेड के वॉइसओवर खाली-सा लग सकता है। Generate music कैटेगरी में एक ट्रैक बनाएँ और उसे नैरेशन के पीछे धीमा मिक्स करें। ElevenLabs Music, MiniMax Music 2.6, Lyria 3 Pro और Stable Audio 2.5 सभी टेक्स्ट प्रॉम्प्ट को ट्रैक में बदलते हैं। "soft instrumental, no vocals, steady tempo" माँगें ताकि कुछ भी शब्दों से होड़ न करे।
चूँकि OpenAI की voices वहाँ होस्ट नहीं होतीं, सबसे नज़दीकी विकल्प Gemini 3.1 Flash TTS है, जो बड़ी voice सूची के साथ मिलता-जुलता वर्कफ़्लो देता है। इसे चलाने का तरीका यह है:
en-US है, और 70 से ज़्यादा कोड उपलब्ध हैं।| सेटिंग | टिप |
|---|---|
| Text tags | [whispering], [laughing], [shouting], [sigh] या [extremely fast] ठीक उस वाक्यांश से पहले जोड़ें जिस पर उनका असर पड़ना चाहिए |
| Prompt | एक वाक्य में गति, लहज़ा और एक्सेंट बताएँ |
| Voice | फ़ैसला करने से पहले एक ही अनुच्छेद पर तीन voices टेस्ट करें |
| Language code | इसे स्क्रिप्ट की भाषा से मिलाएँ, अपनी भाषा से नहीं |
💡 टिप: तैयार क्लिप को GPT-4o Transcribe से चलाएँ और पुष्टि करें कि हर नाम और नंबर वैसे ही आया है जैसा लिखा था।
OpenAI TTS voices के बीच चुनना सुनने का काम है, और इसमें बेहतर होने का सबसे तेज़ रास्ता है क्लिप बनाना और उनकी तुलना करना। ऊपर का टेस्ट स्क्रिप्ट लें, उसे तेरह voices पर चलाएँ, फिर वही स्क्रिप्ट Picasso IA पर Gemini 3.1 Flash TTS और MiniMax Speech 2.8 HD पर चलाएँ। एक हल्का म्यूज़िक बेड जोड़ें, ट्रांसक्रिप्ट जाँचें, और उस voice को रखें जो दसवीं बार सुनने पर भी सही लगे। Picasso IA खोलें, अपनी स्क्रिप्ट पेस्ट करें, और एक voice और एक इंस्ट्रक्शन से शुरुआत करें। आपका पहला काम का वॉइसओवर डॉपडाउन से दिखने वाले से कहीं ज़्यादा करीब है।
अपनी भाषा चुनें
