Byg med CometAPIHar du brug for én API til flere modeller?Test workflowet i Playground, og opret derefter en API-nøgle, når model og pris passer til dit brugsscenarie.
GPT-4o Audio API: En samlet /chat/completions-endpointudvidelse, der accepterer Opus-kodet lyd- (og tekst-) input og returnerer syntetiseret tale eller transskriptioner med konfigurerbare parametre (model=gpt-4o-audio-preview-, speed, temperature) til batch- og streaming-stemmeinteraktioner.
GPT-4o lyd-API: En samlet /chat/completions endpoint-udvidelse, der accepterer Opus-kodet lyd (og tekst) input og returnerer syntetiseret tale eller transskriptioner med konfigurerbare parametre (model=gpt-4o-audio-preview-<date>, speed, temperature) til batch- og streaming-stemmeinteraktioner.
Grundlæggende information om GPT-4o Audio
() er OpenAIs nyeste gjort tilgængelig via standarden snarere end realtidskanalen med ultralav latenstid. Bygget på det samme "omni"-fundament som GPT-4o, er denne variant specialiseret i til turbaserede samtaler, indholdsoprettelse, tilgængelighedsværktøjer og agentiske arbejdsgange, der ikke kræver millisekundtiming. Den arver alle tekstræsonnementsstyrker fra GPT-4-klassemodeller, samtidig med at den tilføjer rørledninger, deterministiske , og den nye til kontrol af stemmehastighed.
Gennemgået for klarhed, kildeangivelse og aktuel API-terminologi.
GPT-4o Lyd-API - CometAPI
GPT-4o lydforhåndsvisning
gpt-4o-audio-preview-2025-06-03
talecentreret stor sprogmodel
Chat Completions API
højkvalitets taleinput og -output
end-to-end tale-til-tale (S2S)
funktionskald
speed parameter
Kernefunktionssæt i GPT-4o Audio
• Samlet tale-til-tale-behandling – Lyd transformeres direkte til semantisk rige tokens, bearbejdes og syntetiseres igen uden eksterne STT/TTS-tjenester, hvilket giver konsistent stemmeklang, prosodi og kontekstbevarelse.
• Forbedret instruktionsfølelse – Levering af tuning i juni 2025 +19 point bestået ved 1. klasse på stemmekommandoopgaver i forhold til GPT-2024o-grundlinjen fra maj 4, hvilket reducerer hallucinationer inden for områder som kundesupport og udarbejdelse af indhold.
• Stabil værktøjsopkald – Modeloutputtene struktureret JSON der overholder OpenAI-funktionskaldsskemaet, hvilket muliggør udløsning af backend-API'er (søgning, booking, betalinger) med >95 % argumentnøjagtighed.
• speed Parameter (0.25–4×) – Udviklere kan modulere taleafspilning til langsomt læringstempo, normal fortælling eller hurtig "hørbar skimming"-tilstande, uden resyntetisering af tekst eksternt.
• Afbrydelsesbevidst turtagning – Selvom den ikke er lige så latenstidsdrevet som Realtime-varianten, understøtter forhåndsvisningen delvis streamingTokens udsendes, så snart de er beregnet, hvilket giver brugerne mulighed for at afbryde tidligt, hvis det er nødvendigt.
Teknisk arkitektur af GPT-4o
• Enkeltstabeltransformer – Ligesom alle GPT-4o-derivater anvender lydforhåndsvisningen en samlet encoder-dekoder hvor tekst og akustiske tokens passerer gennem identiske opmærksomhedsblokke, hvilket fremmer tværmodal jordforbindelse. • Hierarkisk lydtokenisering – Rå 16 kHz PCM → log-mel patches → grove akustiske koder → semantiske tokensDenne flertrinskompression opnår 40–50× båndbreddereduktion samtidig med at nuancer bevares, hvilket muliggør klip på flere minutter pr. kontekstvindue. • NF4 kvantiserede vægte – Konklusionen afgives kl. 4-bit Normal-Float præcision, halvering af GPU-hukommelse sammenlignet med fp16 og opretholdelse 70+ streaming RTF (realtidsfaktor) på A100-80 GB-noder. • Streamingopmærksomhed og KV-caching – Roterende indlejringer med glidende vinduer opretholder kontekst i over ~30 sekunders tale, samtidig med at de bevarer O(L) hukommelsesforbrug, ideelt til podcast-editorer eller læsehjælpemidler.
Versionsstyring og navngivning — Forhåndsvisning af spor med datostemplede builds
Identifier
Kanal
Formål
Slip Dato
Stabilitet
gpt-4o-lyd-forhåndsvisning-2025-06-03
Chat Completions API
Turbaserede lydinteraktioner, agentopgaver
Juni 03 2025
Eksempel (feedback er velkommen)
Nøgleelementer i navnet:
gpt-4o – Omni multimodal familie.
lyd – Optimeret til talebrug.
forhåndsvisning – API-kontrakten kan udvikle sig; ikke GA endnu.
2025-06-03 – Øjebliksbillede af træning og implementering for reproducerbarhed.
Sådan kalder du GPT-4o Audio API API fra CometAPI
GPT-4o Audio API API-priser i CometAPI:
Input-tokens: $2 / M-tokens
Output-tokens: $8 / M-tokens
Påkrævede trin
Log ind på cometapi.com. Hvis du ikke er vores bruger endnu, bedes du registrere dig først
Få adgangslegitimations-API-nøglen til grænsefladen. Klik på "Tilføj token" ved API-tokenet i det personlige center, få token-nøglen: sk-xxxxx og send.
Hent url'en til dette websted: https://api.cometapi.com/
Brugsmetoder
Vælg "gpt-4o-audio-preview-2025-06-03"slutpunkt" til at sende anmodningen og angive anmodningsteksten. Anmodningsmetoden og anmodningsteksten er hentet fra vores hjemmesides API-dokumentation. Vores hjemmeside tilbyder også Apifox-tests for din bekvemmelighed.
Erstatte med din faktiske CometAPI-nøgle fra din konto.
Indsæt dit spørgsmål eller din anmodning i indholdsfeltet – det er det, modellen vil reagere på.
. Behandle API-svaret for at få det genererede svar.
For information om modeladgang i Comet API, se venligst API-dok.
API-arbejdsgang — Chat-fuldførelser med lyddele og funktionskroge
Input Format - audio/* MIME eller base64 WAV-stykker indlejret i messages[].content.
Outputindstillinger -
• mode: "text" → ren tekst til undertekster.
• mode: "audio" → returnerer en streaming Opus- eller µ-law-nyttelast med tidsstempler.
Funktionskald - Tilføje functions: skema; modellen udsender role: "function" med JSON-argumenter; udvikleren udfører værktøjskaldet og sender eventuelt resultatet tilbage i pipeform.
Rate Kontrol - Indstil voice.speed=1.25 for at accelerere afspilningen; sikre områder 0.25–4.0.
Token-/lydgrænser – 128 k kontekst (~4 min tale) ved opstart; 4096 lydtokens / 8192 teksttokens hvad end der først kommer.
