GPT-4o mini Audio Preview

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

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

gpt-4o-mini-audio-preview er en kompakt, multimodal modell utviklet for utviklere som vil bygge samtalebaserte lydopplevelser. Den støtter både taleinn og taleut i tillegg til standard tekstinteraksjoner, noe som gjør den godt egnet for applikasjoner der brukere snakker naturlig og forventer talte eller tekstbaserte svar.

Denne modellen er spesielt nyttig når et produkt må kombinere automatisk talegjenkjenning, naturlig språkforståelse og talesyntese i én sammenhengende samtalesløyfe. I stedet for å behandle transkribering, resonnering og svargenerering som separate komponenter, muliggjør gpt-4o-mini-audio-preview en samlet arbeidsflyt for blandede tekst-lyd-dialoger.

Fordi den også støtter verktøy- og funksjonskalling, kan modellen mer enn bare å føre en samtale. Den kan utløse strukturerte handlinger som å slå opp kontoinformasjon, rute en kundestøtteforespørsel, oppdatere oppføringer eller kalle på forretningslogikk i en større applikasjon. Det gjør den velegnet til produksjonsklare stemmesystemer som virtuelle assistenter, telefonsupportagenter, interaktive talesvarsystemer, transkripsjonspipelines med oppsummering og produktassistenter med lyd.

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

• Støtte for taleinn: Godtar lyddrevne brukerinteraksjoner slik at applikasjoner kan behandle talte forespørsler på en naturlig måte.
• Generering av taleut: Produserer lydsvar for assistenter, anropsautomatisering og opplevelser med talt veiledning.
• Blandede tekst-lyd-samtaler: Støtter arbeidsflyter der noen turer er talte og andre er tekstbaserte, noe som er nyttig for hybride grensesnitt.
• Kompakt multimodalt design: Tilbyr lydaktiverte funksjoner i en lettvektsmodell som passer for responsive applikasjoner.
• Strømmende svar: Bidrar til opplevelser med lav ventetid i sanntid, som live-assistenter og strømmende transkripsjonssystemer.
• Verktøy-/funksjonskalling: Gjør det mulig for modellen å kalle på strukturerte verktøy eller forretningsfunksjoner for oppgaver utover åpen samtale.
• Følge instruksjoner: Følger veiledning på applikasjonsnivå for å holde svar i tråd med produktatferd og arbeidsflytkrav.
• Transkripsjons- og oppsummeringsarbeidsflyter: Nyttig for å gjøre talte interaksjoner om til strukturerte tekstutdata, sammendrag eller nedstrøms handlinger.
• Klar for IVR og samtaleroboter: Passer kundestøtte- og telefoni-scenarier der talebasert interaksjon og oppgaveruting er sentralt.
• Lydassistanse i app: Kan bygges inn i programvareprodukter som trenger stemmeaktivert hjelp, onboarding eller guidede handlinger.

Slik får du tilgang til og integrerer gpt-4o-mini-audio-preview

Trinn 1: Registrer deg for API-nøkkel

For å begynne å bruke gpt-4o-mini-audio-preview, opprett først en konto på CometAPI og generer API-nøkkelen din fra dashbordet. Denne nøkkelen brukes til å autentisere hver forespørsel og koble applikasjonen din sikkert til modellen.

Trinn 2: Send forespørsler til gpt-4o-mini-audio-preview-API-et

Bruk CometAPIs OpenAI-kompatible endepunkt med støtte for lydinn/-ut.

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."
      }
    ]
  }'

Trinn 3: Hent og verifiser resultater

API-et returnerer et standard svar for chat-fullføring med et ekstra audio-felt som inneholder base64-kodet lydutdata. Dekod lyddataene og verifiser kvaliteten før produksjonsbruk.