GPT-4o Mini TTS: modelo de voz de OpenAI para convertir texto en audio
GPT-4o Mini TTS es un modelo de OpenAI especializado en convertir texto en voz natural. Permite seleccionar diferentes voces, controlar el estilo mediante instrucciones, ajustar la velocidad, elegir formatos de audio y generar contenido mediante streaming. Está orientado a asistentes, narraciones, accesibilidad, aplicaciones de voz y generación automática de audio.
¿Qué es GPT-4o Mini TTS?
GPT-4o Mini TTS es un modelo
text-to-speech de OpenAI basado en GPT-4o Mini.
Recibe texto como entrada y genera audio como salida.
Está pensado específicamente para crear voz sintética
natural mediante el endpoint
/v1/audio/speech.
Principales capacidades de GPT-4o Mini TTS
El modelo combina generación de voz, control de estilo y diferentes formatos de salida.
Texto como entrada
Recibe contenido escrito que debe convertirse en voz.
Audio como salida
Genera voz lista para reproducir, almacenar o transmitir.
Varias voces
Permite elegir entre múltiples voces integradas.
Instrucciones de estilo
Puedes indicar cómo quieres que suene la narración.
Velocidad configurable
Puedes controlar la velocidad de reproducción.
Streaming
El audio puede enviarse mientras todavía está generándose.
Cómo funciona GPT-4o Mini TTS
El modelo recibe texto y configuración y devuelve audio generado.
Envías texto
Proporcionas el contenido que debe pronunciarse.
Configuras la voz
Seleccionas voz, velocidad e instrucciones.
Recibes audio
Obtienes el archivo o stream resultante.
Características técnicas de GPT-4o Mini TTS
La ficha oficial define claramente las modalidades y límites del modelo.
| Característica | GPT-4o Mini TTS |
|---|---|
| Modelo | gpt-4o-mini-tts |
| Entrada | Texto |
| Salida | Audio |
| Imagen | No soportada |
| Video | No soportado |
| Máximo de input | 2.000 tokens |
| Endpoint principal | /v1/audio/speech |
Qué endpoint utiliza GPT-4o Mini TTS
El modelo se utiliza mediante Speech Generation.
POST /v1/audio/speech
Este endpoint recibe el modelo, texto, voz y configuración de salida.
Ejemplo de GPT-4o Mini TTS en Python
Puedes crear un archivo de audio directamente desde el SDK.
Generar un MP3
from pathlib import Path
from openai import OpenAI
client = OpenAI()
output_file = Path("audio.mp3")
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="Hola. Este audio fue generado con GPT-4o Mini TTS."
) as response:
response.stream_to_file(output_file)Controlar el estilo de voz de GPT-4o Mini TTS
Una de sus ventajas principales frente a modelos TTS anteriores es el soporte para instrucciones.
Describir cómo debe hablar
{
"model": "gpt-4o-mini-tts",
"voice": "coral",
"input": "Bienvenido a Ciborg.",
"instructions": "Habla con un tono profesional, cercano y tranquilo."
}Puedes experimentar con instrucciones relacionadas con tono, energía, ritmo, intención o claridad.
GPT-4o Mini TTS vs TTS-1 y TTS-1-HD
Los tres modelos pueden generar voz, pero GPT-4o Mini TTS añade controles que los modelos anteriores no admiten.
| Característica | GPT-4o Mini TTS | TTS-1 / TTS-1-HD |
|---|---|---|
| Generación de voz | Sí | Sí |
| Instructions | Sí | No |
| Streaming de audio | Sí | Sí |
| SSE | Sí | No |
| Modelo basado en GPT-4o Mini | Sí | No |
Voces compatibles con GPT-4o Mini TTS
El endpoint de Speech Generation ofrece diferentes voces integradas.
| Voz | Valor API |
|---|---|
| Alloy | alloy |
| Ash | ash |
| Ballad | ballad |
| Coral | coral |
| Echo | echo |
| Fable | fable |
| Onyx | onyx |
| Nova | nova |
| Sage | sage |
| Shimmer | shimmer |
| Verse | verse |
| Marin | marin |
| Cedar | cedar |
Conviene probar varias opciones con el idioma y tipo de contenido real de la aplicación.
GPT-4o Mini TTS y voces mediante ID
La referencia actual también permite indicar una voz mediante un objeto con identificador.
Ejemplo de estructura
{
"voice": {
"id": "voice_1234"
}
}El uso de recursos de voz personalizados puede depender de las capacidades disponibles para la organización.
Controlar la velocidad de GPT-4o Mini TTS
El endpoint permite modificar la velocidad del audio generado.
Entre 0.25 y 4.0
El valor
1.0
representa
la velocidad normal.
Actualmente
el rango permitido
va desde
0.25 hasta 4.0.
{
"model": "gpt-4o-mini-tts",
"voice": "marin",
"input": "Ejemplo con velocidad reducida.",
"speed": 0.85
}Formatos soportados por GPT-4o Mini TTS
Puedes elegir diferentes formatos según reproducción, almacenamiento o procesamiento.
| Formato | Uso habitual |
|---|---|
mp3 |
Web, distribución y compatibilidad general |
opus |
Streaming y comunicaciones |
aac |
Aplicaciones multimedia |
flac |
Compresión sin pérdida |
wav |
Edición y procesamiento |
pcm |
Pipelines de audio de bajo nivel |
Cómo generar WAV con GPT-4o Mini TTS
Elegir formato de salida
{
"model": "gpt-4o-mini-tts",
"voice": "cedar",
"input": "Genera este contenido como audio WAV.",
"response_format": "wav"
}GPT-4o Mini TTS admite streaming
Esto permite comenzar a entregar audio antes de terminar toda la generación.
Audio o SSE
El endpoint
permite actualmente
utilizar
audio
o sse
como formato
de streaming.
En narradores, asistentes y lectores, el usuario puede comenzar a escuchar sin esperar el archivo completo.
Límite de entrada de GPT-4o Mini TTS
Existen dos límites que conviene distinguir.
2.000 tokens
La ficha del modelo publica un máximo de 2.000 tokens de entrada.
4.096 caracteres
Speech API
limita actualmente
el campo
input
a 4.096 caracteres.
Divide el contenido en fragmentos y genera varios archivos o segmentos de audio.
Snapshots de GPT-4o Mini TTS
Los snapshots permiten fijar una versión concreta del modelo.
| Identificador | Tipo |
|---|---|
gpt-4o-mini-tts |
Alias principal |
gpt-4o-mini-tts-2025-12-15 |
Snapshot |
gpt-4o-mini-tts-2025-03-20 |
Snapshot anterior |
Utiliza el alias principal si quieres seguir la versión recomendada. Utiliza un snapshot si necesitas comportamiento más estable entre despliegues.
Precio de GPT-4o Mini TTS
La facturación distingue el texto enviado y el audio generado.
| Tipo | Precio por 1M tokens |
|---|---|
| Text input | US$0,60 |
| Audio output | US$12,00 |
En aplicaciones de gran volumen, conviene medir especialmente la cantidad de audio generado.
Qué influye en el costo de GPT-4o Mini TTS
Cantidad de texto enviado.
Duración del audio generado.
Cantidad total de generaciones.
Segmentación de contenido largo.
Límites de GPT-4o Mini TTS
OpenAI aplica límites distintos según el usage tier.
| Tier | RPM | TPM |
|---|---|---|
| Free | No soportado | |
| Tier 1 | 500 | 50.000 |
| Tier 2 | 2.000 | 150.000 |
| Tier 3 | 5.000 | 600.000 |
| Tier 4 | 10.000 | 2.000.000 |
| Tier 5 | 10.000 | 8.000.000 |
Casos de uso de GPT-4o Mini TTS
Asistentes: convertir respuestas generadas por IA en voz.
E-learning: narrar clases, módulos y explicaciones.
Noticias: generar versiones habladas de artículos.
Accesibilidad: ofrecer contenido auditivo alternativo.
Aplicaciones: mensajes dinámicos personalizados.
Narración: crear audio para videos, podcasts o contenido digital.
GPT-4o Mini TTS vs GPT Realtime
Ambos pueden generar audio, pero resuelven necesidades distintas.
| Aspecto | GPT-4o Mini TTS | GPT Realtime |
|---|---|---|
| Entrada | Texto | Texto y audio |
| Salida | Audio | Texto y audio |
| Sesión persistente | No necesaria | Sí |
| Conversación por voz | No es su función principal | Sí |
| Uso ideal | Narración y generación de voz | Interacción de voz en vivo |
GPT-4o Mini TTS no es GPT-4o Mini
Aunque comparten parte del nombre, son modelos distintos orientados a tareas diferentes.
| Modelo | Función principal |
|---|---|
gpt-4o-mini-tts |
Texto → audio |
gpt-4o-mini |
Modelo multimodal ligero orientado principalmente a texto |
Para generar voz con Speech API, utiliza un modelo TTS compatible.
Cómo obtener mejores resultados con GPT-4o Mini TTS
Utiliza puntuación clara en el texto.
Divide contenido extenso en bloques.
Prueba distintas voces con contenido real.
Usa instrucciones de estilo específicas.
Ajusta la velocidad según el contexto.
Mide el costo del audio generado en producción.
Protege tu integración con GPT-4o Mini TTS
Mantén la clave en el backend
No expongas credenciales privadas en JavaScript del navegador.
Controla generaciones
Aplica autenticación, cuotas y rate limits internos.
Identifica claramente el audio generado por IA
Las aplicaciones deberían evitar generar confusión sobre el origen de una voz sintética.
Informa al usuario cuando corresponda
Una indicación clara puede ser especialmente importante en asistentes, llamadas, educación o contenido editorial.
Documentación oficial de GPT-4o Mini TTS
Antes de producción, comprueba siempre modelos, snapshots, pricing y límites vigentes.
GPT-4o Mini TTS
Consulta precio, modalidades, snapshots y rate limits.
Ver ficha oficial →Create Speech
Consulta voces, instrucciones, formatos, velocidad y streaming.
Ver referencia oficial →Guías relacionadas con GPT-4o Mini TTS
Continúa explorando audio, voz y modelos OpenAI.
FAQ sobre GPT-4o Mini TTS
Respuestas sobre voces, precios, límites, instrucciones, formatos y streaming.
GPT-4o Mini TTS es un modelo de OpenAI especializado en convertir texto en voz natural.
El modelo acepta texto como entrada y produce audio como salida.
La ficha oficial actual publica un máximo de 2.000 tokens de entrada.
Actualmente cuesta US$0,60 por un millón de tokens de texto de entrada y US$12 por un millón de tokens de audio de salida.
Entre las voces integradas están alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin y cedar.
Sí. GPT-4o Mini TTS admite instrucciones para controlar características del estilo de la generación.
El endpoint admite actualmente MP3, Opus, AAC, FLAC, WAV y PCM.
Sí. Speech API permite entregar el audio progresivamente y soporta stream formats audio y SSE.
No. GPT-4o Mini TTS está especializado en generar audio desde texto, mientras GPT-4o Mini es un modelo general para otras tareas.
La ficha oficial actual indica que el tier Free no está soportado para este modelo.
Continúa con GPT-Transcribe
Ya sabes cómo funciona el modelo de OpenAI para convertir texto en voz. Ahora seguimos con el proceso inverso: el modelo especializado en convertir audio hablado en texto.
Ver GPT-Transcribe →