GPT-4o mini Audio Preview

Tekniske specifikationer for gpt-4o-mini-audio-preview

Hvad er gpt-4o-mini-audio-preview?

gpt-4o-mini-audio-preview er en kompakt multimodal model, designet til udviklere, der vil bygge samtalebaserede lydoplevelser. Den understøtter både taleinput og taleoutput ud over standard tekstinteraktioner, hvilket gør den velegnet til applikationer, hvor brugere taler naturligt og forventer talte eller tekstbaserede svar.

Denne model er særlig nyttig, når et produkt skal kombinere automatisk talegenkendelse, naturlig sprogforståelse og talesyntese i én samtaleløkke. I stedet for at behandle transskription, ræsonnering og generering af svar som separate komponenter muliggør gpt-4o-mini-audio-preview en samlet arbejdsgang for blandede tekst-lyd-dialoger.

Fordi den også understøtter værktøjs- og funktionskald, kan modellen mere end blot at konversere. Den kan udløse strukturerede handlinger såsom at slå kontooplysninger op, rute en supportsag, opdatere poster eller påkalde forretningslogik i en større applikation. Det gør den velegnet til produktionsklare stemmesystemer såsom virtuelle assistenter, telefonsupportagenter, interaktive voice response-systemer, transskriptions-pipelines med opsummering og lydaktiverede produktassistenter.

Hovedfunktioner i gpt-4o-mini-audio-preview

• Understøttelse af taleinput: Accepterer lyddrevne brugerinteraktioner, så applikationer kan behandle talte forespørgsler naturligt.
• Generering af taleoutput: Producerer lydsvar til assistenter, opkaldsautomatisering og talte vejledningsoplevelser.
• Blandede tekst-lyd-samtaler: Understøtter arbejdsgange, hvor nogle skift er talte og andre tekstbaserede, hvilket er nyttigt for hybride grænseflader.
• Kompakt multimodalt design: Tilbyder lydaktiverede muligheder i en lettere model, der er egnet til responsive applikationer.
• Streaming-svar: Hjælper med lav-latens, realtidsoplevelser såsom live-assistenter og streaming-transskriptionssystemer.
• Værktøjs-/funktionskald: Muliggør, at modellen kan påkalde strukturerede værktøjer eller forretningsfunktioner til opgaver ud over åben samtale.
• Efterlevelse af instruktioner: Følger applikationsniveauets retningslinjer, så svar forbliver på linje med produktets adfærd og arbejdsgange.
• Transskriptions- og opsummeringsarbejdsgange: Nyttig til at omdanne talte interaktioner til struktureret tekst, resuméer eller efterfølgende handlinger.
• Klar til IVR og call-bots: Passer til kundesupport og telefoni-scenarier, hvor taleinteraktion og opgaverouting er centrale.
• Lydhjælp i appen: Kan indlejres i softwareprodukter, der har brug for stemmeaktiveret hjælp, onboarding eller guidede handlinger.

Sådan får du adgang til og integrerer gpt-4o-mini-audio-preview

Trin 1: Tilmeld dig for at få en API-nøgle

For at begynde at bruge gpt-4o-mini-audio-preview skal du først oprette en konto på CometAPI og generere din API-nøgle fra dashboardet. Denne nøgle bruges til at godkende hver anmodning og forbinder din applikation sikkert til modellen.

Trin 2: Send forespørgsler til gpt-4o-mini-audio-preview-API'et

Brug CometAPI's OpenAI-kompatible endpoint med understøttelse af lydinput og -output.

curl https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -d '{
    "model": "gpt-4o-mini-audio-preview",
    "modalities": ["text", "audio"],
    "audio": {
      "voice": "alloy",
      "format": "wav"
    },
    "messages": [
      {
        "role": "user",
        "content": "Tell me a short joke."
      }
    ]
  }'

Trin 3: Hent og verificer resultaterne

API'et returnerer et standard-chatkompletteringssvar med et ekstra audio-felt, der indeholder den base64-kodede lydoutput. Afkod lyddataene og verificer kvaliteten før produktionsbrug.