gpt-audio-1.5 の技術仕様
| 項目 | gpt-audio-1.5（公開仕様） |
|---|---|
| モデルファミリー | GPT Audio ファミリー（音声優先バリアント） |
| 入力タイプ | テキスト、音声（音声入力） |
| 出力タイプ | テキスト、音声（音声出力）、構造化出力（関数呼び出しに対応） |
| コンテキストウィンドウ | 128,000 トークン。 |
| 最大出力トークン数 | 16,384（関連する gpt-audio のリスティングに記載）。 |
| パフォーマンス層 | 高い知能レベル；中速（バランス重視）。 |
| レイテンシープロファイル | 音声インタラクション向けに最適化（エンドポイントにより中/低レイテンシ）。 |
| 提供形態 | Chat Completions API（音声入出力）およびプラットフォームのプレイグラウンド；リアルタイム/ボイス系サーフェス全体に統合。 |
| セーフティ/使用上の注意 | 音声コンテンツ向けのガードレール；本番の音声エージェントでは、モデル出力に対して通常の安全性確認と検証を実施。 |
注:
gpt-realtime-1.5は密接に関連するリアルタイムの音声/ボイス優先バリアントで、低レイテンシとリアルタイムセッション向けに最適化されています。以下で比較しています。
gpt-audio-1.5 とは？
gpt-audio-1.5 は Chat Completions および関連する音声対応 API を通じて、音声入力と音声出力の両方をサポートする音声対応 GPT モデルです。品質と速度のバランスを取りつつ、ボイスエージェントや音声優先の体験を構築するための、一般提供される主力の音声モデルとして位置付けられています。
主な機能
- 音声入力/音声出力のサポート: 発話入力を処理し、自然な音声フローに向けて音声またはテキストで応答します。
- 音声ワークフロー向けの大規模コンテキスト: 非常に大きなコンテキスト（ドキュメント記載の 128k トークン）をサポートし、マルチターンの長い会話履歴や大規模なマルチモーダルセッションを可能にします。
- ストリーミング & Chat Completions 互換性: Chat Completions 内で動作し、音声応答のストリーミングおよび関数呼び出しによる構造化出力に対応します。
- バランスの取れたパフォーマンス/レイテンシ: 品質重視の音声応答を中程度のスループットで提供するよう調整されており、品質が重要なチャットボットや音声アシスタントに適しています。
- エコシステムと統合: プラットフォームのプレイグラウンドでサポートされ、公式のリアルタイム/ボイスエンドポイントおよびパートナー統合で利用可能（Azure/Microsoft Foundry の注記では同様の音声モデルに言及）。
gpt-audio-1.5 と関連オーディオモデルの比較
| プロパティ | gpt-audio-1.5 | gpt-realtime-1.5 |
|---|---|---|
| 主な焦点 | Chat Completions と会話フロー向けの高品質な音声入出力。 | ライブのボイスエージェントやストリーミングシナリオ向けの、低レイテンシに最適化されたリアルタイム S2S（音声から音声）。 |
| コンテキストウィンドウ | 128k トークン。 | 32k トークン（リアルタイム バリアントとして記載）。 |
| 最大出力トークン数 | 16,384（ドキュメント記載）。 | 通常はより短いリアルタイム応答向けに設定（ドキュメントではより小さい最大トークン数を記載）。 |
| 最適な用途 | フルなチャットセマンティクス＋音声が必要なチャットボットや音声対応アシスタント。 | ライブボイスエージェント、キオスク、低レイテンシの会話インターフェース。 |
代表的なユースケース
- カスタマーサポートや社内ヘルプデスク向けの会話型ボイスエージェント。
- アプリ、デバイス、キオスクに組み込まれた音声対応アシスタント。
- ハンズフリーのワークフロー（音声入力、ボイスサーチ、アクセシビリティ）。
- Chat Completions を通じて音声とテキスト/画像を組み合わせたマルチモーダル体験。
制約と運用上の考慮事項
- 人による QA の完全な代替ではない: 音声出力およびその後のアクションは、本番運用では必ず人によるレビューで検証してください。
- リソース計画: 大きなコンテキストと音声入出力により、計算資源とレイテンシが増加する可能性があります。長いセッションではストリーミング/セグメンテーション戦略を設計してください。
- セーフティとポリシーの制約: 音声出力は説得力を持つ場合があります。大規模展開時にはプラットフォームのセーフティガイドラインとガードレールに従ってください。
- GPT Audio 1.5 API へのアクセス方法
ステップ 1: API キーの登録
cometapi.com にログインします。まだユーザーでない場合は、まず登録してください。CometAPI コンソールにサインインします。インターフェースのアクセス認証 API キーを取得します。パーソナルセンターの API トークンで “Add Token” をクリックし、トークンキー sk-xxxxx を取得して送信します。
ステップ 2: GPT Audio 1.5 API にリクエストを送信
“gpt-audio-1.5” エンドポイントを選択して API リクエストを送信し、リクエストボディを設定します。リクエストメソッドとリクエストボディは当社サイトの API ドキュメントから取得できます。当社サイトでは利便性のため Apifox テストも提供しています。<YOUR_API_KEY> を、アカウントの実際の CometAPI キーに置き換えてください。ベース URL は Chat Completions です。
質問やリクエストを content フィールドに挿入します—モデルが応答するのはこの内容です。API レスポンスを処理して生成された回答を取得します。
ステップ 3: 結果を取得して検証
API レスポンスを処理して生成された回答を取得します。処理後、API はタスクのステータスと出力データを返します。