OpenAI GPT-4o Mini TTS 2026 教學：API 價格、13 種聲音、Streaming 與語氣控制

更新日期：2026 年 9 月 11 日。OpenAI 的 gpt-4o-mini-tts 是目前 Speech API 的主要文字轉語音模型之一，適合把文字直接轉成自然語音，並透過 instructions 控制口音、情緒、語速、語氣與表達方式。它和 ElevenLabs 最大差別在於：OpenAI TTS 更偏開發者 API 與產品整合，而不是完整的 Voice Clone／Dubbing 創作者平台。

先看結論：如果你的需求是 App 內旁白、閱讀器、客服、API 自動配音或需要可用 Prompt 控制語氣的 TTS，gpt-4o-mini-tts 很值得測；若你需要 Professional Voice Clone、Dubbing、Studio 與長期品牌 Voice，則更適合比較 ElevenLabs。

GPT-4o Mini TTS 是什麼？

gpt-4o-mini-tts 是 OpenAI 的文字轉語音模型，使用 /v1/audio/speech 產生音訊。官方目前模型頁標示最大輸入為 2,000 tokens；Speech API 本身則以文字輸入產生音訊檔或串流輸出。

它最重要的特點是可用額外 instructions 控制聲音表現，例如指定更正式、溫暖、快速、低沉、興奮或耳語式的語氣。這讓它比傳統只有「選 voice＋輸入文字」的 TTS 更適合需要動態語音表現的產品。

OpenAI TTS 2026 API 價格

OpenAI 的計價方式和 ElevenLabs「每 1,000 字元」不同，因此不能只看表面單價直接判斷誰比較便宜。真正比較時應拿同一段中文腳本，生成相近長度音訊後再換算每分鐘／每支影片成本。

13 個內建 Voices

OpenAI Speech API 目前提供 13 個內建 voices：

alloy、ash、ballad、coral、echo、fable、onyx、nova、sage、shimmer、verse、marin、cedar。

不同 voice 的音色與表現差異很大。正式上線前，建議用你自己的真實腳本測試，不要只用短句 demo。尤其是繁中內容，應測品牌名、英文縮寫、價格、日期、人名、地名與長句停頓。

Instructions 可以控制什麼？

gpt-4o-mini-tts 支援額外 instructions，用自然語言描述你希望的聲音表現。常見控制方向包括：

• 口音與語氣。
• 情緒強度。
• 語速與節奏。
• 正式、親切、客服、旁白等角色感。
• 更低沉、活潑、戲劇化或耳語式表現。

這類控制不是傳統 SSML 的固定標記，而更接近「用 Prompt 導演聲音」。因此輸出仍應實測，不能假設同一句 instruction 在所有 voice 都完全一致。

Streaming 與輸出格式

Speech API 可以串流回傳音訊，適合需要降低等待感的 App、閱讀器、客服或即時內容系統。官方目前支援的音訊格式包括：

• MP3
• Opus
• AAC
• FLAC
• WAV
• PCM

如果是網頁播放器與一般內容，MP3 最方便；若重視低延遲傳輸可考慮 Opus；若後續還要做音訊處理，WAV／PCM 會更適合。

中文／台灣國語適合嗎？

OpenAI TTS 可生成多語內容，但「可以輸出中文」不代表一定符合台灣國語受眾。正式使用前至少應測：

• 台灣常用詞與繁體中文句型。
• 中英混合品牌／模型名稱。
• 數字、價格、百分比與日期。
• 人名、地名、API 名稱。
• 5～10 分鐘長文的一致性。

如果你的核心是台灣 YouTube、Podcast 或課程配音，應把 OpenAI、ElevenLabs、Gemini TTS 用完全相同腳本 A/B test。

OpenAI TTS vs ElevenLabs

需要完整 Voice workflow 可看 ElevenLabs 2026 評測與教學；如果主要比較費用，則看 ElevenLabs 收費與 API 成本。

OpenAI TTS vs Gemini TTS

兩者都偏開發者 API，但定位有差異。OpenAI 的優點是 Speech API 工作流直接、13 voices 與 instructions 容易整合；Gemini TTS 則提供更多內建 voices、multi-speaker、Audio Tags、Free Tier 與 Batch pricing。若要做 Podcast 對話、角色演出或低成本大量測試，Gemini 很值得一起比較。

適合哪些情境？

• App 內朗讀：把文章、文件、客服答案轉成語音。
• 影片旁白：自動把腳本轉成配音。
• 客服／產品：把生成文字轉成更自然的語音回覆。
• 批量內容：透過 API 自動產生大量音訊。
• 語氣需要動態控制：不同內容用不同 instructions。

主要限制

• Free API tier 目前不支援 gpt-4o-mini-tts。
• 最大輸入 2,000 tokens，長篇內容需切段。
• 中文自然度與台灣口音仍需實測。
• 不是以 Voice Clone／Dubbing／Studio 為核心的創作者產品。
• 不同 instructions 與 voices 的實際效果具有生成式差異。

常見問題

GPT-4o Mini TTS 免費嗎？

目前 OpenAI 模型頁標示 Free API tier 不支援，需要使用付費 API tier。

有哪些聲音？

目前有 13 個內建 voices：alloy、ash、ballad、coral、echo、fable、onyx、nova、sage、shimmer、verse、marin、cedar。

可以即時播放嗎？

可以使用 streaming 回傳音訊，降低完整音檔產生完才開始播放的等待時間。

可以控制語速嗎？

可以。Speech API 也提供 speed 參數，範圍 0.25～4.0；另外還可以用 instructions 控制整體表達方式。

適合中文嗎？

可生成中文，但正式採用前仍應用台灣繁中真實內容測試發音、長句一致性、中英混合詞與專有名詞。

結論：OpenAI TTS 適合把「聲音」直接做進產品

如果你的核心需求是 API、自動化與產品內 TTS，gpt-4o-mini-tts 的優勢在於整合簡單、可用 instructions 控制聲音表現，並支援 streaming。若需要 Voice Clone、Dubbing、Studio 等完整創作者功能，ElevenLabs 會更完整；若需要 Free Tier、multi-speaker 與 Audio Tags，則一起比較 Gemini TTS。

完整市場比較請看 AI 語音工具推薦 2026。

官方資料來源

• OpenAI GPT-4o Mini TTS Model
• OpenAI Speech API Reference
• OpenAI.fm Voice Demo