Bygg med CometAPITrenger du ett API for flere modeller?Test arbeidsflyten i Playground, og opprett deretter en API-nøkkel når modellen og kostnaden passer bruksområdet ditt.
GPT-4o Audio API: En enhetlig /chat/completions-endepunktutvidelse som godtar Opus-kodet lyd (og tekst) og returnerer syntetisert tale eller transkripsjoner med konfigurerbare parametere (model=gpt-4o-audio-preview-, speed, temperature) for batch- og strømmingsinteraksjoner av stemme.
GPT-4o lyd-API: En samlet /chat/completions endepunktutvidelse som godtar Opus-kodet lyd (og tekst) og returnerer syntetisert tale eller transkripsjoner med konfigurerbare parametere (model=gpt-4o-audio-preview-<date>, speed, temperature) for batch- og strømming av stemmeinteraksjoner.
Grunnleggende informasjon om GPT-4o Audio
() er OpenAIs nyeste gjort tilgjengelig gjennom standarden snarere enn den ultralave latens-sanntidskanalen. Bygget på samme «omni»-fundament som GPT-4o, spesialiserer denne varianten seg på for turbaserte samtaler, innholdsproduksjon, tilgjengelighetsverktøy og agentiske arbeidsflyter som ikke krever millisekundtiming. Den arver alle tekstresonnementstyrkene til GPT-4-klassemodeller samtidig som den legger til rørledninger, deterministiske , og den nye for kontroll av stemmehastighet.
Gjennomgått for klarhet, kildeangivelse og gjeldende API-terminologi.
GPT-4o Lydforhåndsvisning
gpt-4o-audio-preview-2025-06-03
talesentrisk stor språkmodell
Chat Completions API
høykvalitets taleinngang og -utgang
ende-til-ende tale-til-tale (S2S)
funksjonsanrop
speed parameter
Kjernefunksjonssettet til GPT-4o Audio
• Enhetlig tale-til-tale-behandling – Lyd transformeres direkte til semantisk rike tokens, resonneres og syntetiseres på nytt uten eksterne STT/TTS-tjenester, noe som gir konsistent stemmeklang, prosodi og kontekstbevaring.
• Forbedret instruksjonsfølging – Levering av tuning i juni 2025 +19 poeng bestått på 1. trinn på talekommandooppgaver kontra GPT-2024o-grunnlinjen fra mai 4, noe som reduserer hallusinasjoner innen domener som kundestøtte og innholdsutkast.
• Stabil verktøyanrop – Modellutgangene strukturert JSON som samsvarer med OpenAI-funksjonskallskjemaet, som gjør det mulig å utløse backend-API-er (søk, bestilling, betalinger) med >95 % argumentnøyaktighet.
• speed Parameter (0.25–4×) – Utviklere kan modulere taleavspilling for langsom læring, normal fortelling eller raske «hørbare skimming»-moduser, uten resyntetisering av tekst eksternt.
• Avbrytelsesbevisst turtaking – Selv om den ikke er like latensdrevet som Realtime-varianten, støtter forhåndsvisningen delvis strømmingTokener sendes ut så snart de er beregnet, slik at brukerne kan avbryte tidlig om nødvendig.
Teknisk arkitektur for GPT-4o
• Enkeltstakktransformator – Som alle GPT-4o-derivater bruker lydforhåndsvisningen en enhetlig koder-dekoder der tekst og akustiske tokener passerer gjennom identiske oppmerksomhetsblokker, noe som fremmer kryssmodal jording. • Hierarkisk lydtokenisering – Rå 16 kHz PCM → log-mel-patcher → grove akustiske koder → semantiske tokenerDenne flertrinnskompresjonen oppnår 40–50× båndbreddereduksjon samtidig som nyansene bevares, og det muliggjør klipp på flere minutter per kontekstvindu. • NF4 kvantiserte vekter – Slutningen forkynnes kl. 4-bits normal flyttall presisjon, halverer GPU-minnet sammenlignet med fp16 og opprettholder 70+ strømmings-RTF (sanntidsfaktor) på A100–80 GB-noder. • Strømmingsoppmerksomhet og KV-hurtigbufring – Roterende innebygde vinduer med skyvevinduer opprettholder kontekst i over ~30 sekunder med tale samtidig som de beholder O(L) minnebruk, ideelt for podkastredigerere eller hjelpemidler for lesing.
Versjonering og navngivning — Forhåndsvisning av spor med datostemplede bygg
Identifiser
Kanal
Formål
Utgivelsesdato
Stabilitet
gpt-4o-lydforhåndsvisning-2025-06-03
Chat Completions API
Turbaserte lydinteraksjoner, agentoppgaver
03 juni 2025
Forhåndsvisning (tilbakemeldinger oppfordres)
Viktige elementer i navnet:
gpt-4o – Omni multimodal familie.
lyd – Optimalisert for bruk i tale.
forhåndsvisning – API-kontrakten kan utvikle seg; ikke GA ennå.
2025-06-03 – Øyeblikksbilde av opplæring og utrulling for reproduserbarhet.
Slik kaller 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
Nødvendige trinn
Logg på cometapi.com. Hvis du ikke er vår bruker ennå, vennligst registrer deg først
Få tilgangslegitimasjons-API-nøkkelen til grensesnittet. Klikk "Legg til token" ved API-tokenet i det personlige senteret, hent tokennøkkelen: sk-xxxxx og send inn.
Få url til dette nettstedet: https://api.cometapi.com/
Bruksmetoder
Velg "gpt-4o-audio-preview-2025-06-03"endepunkt for å sende forespørselen og angi forespørselsteksten. Forespørselsmetoden og forespørselsteksten er hentet fra nettstedets API-dokumentasjon. Nettstedet vårt tilbyr også Apifox-testing for enkelhets skyld.
Erstatt med din faktiske CometAPI-nøkkel fra kontoen din.
Sett inn spørsmålet eller forespørselen din i innholdsfeltet – det er dette modellen vil svare på.
. Behandle API-svaret for å få det genererte svaret.
For informasjon om modelltilgang i Comet API, se API-dok.
