Home/Models/OpenAI/gpt-audio-1.5
O

gpt-audio-1.5

Wejście:$2/M
Wyjście:$8/M
Najlepszy model głosowy do wejścia i wyjścia audio w ramach Chat Completions.
Nowy
Użycie komercyjne
Przegląd
Funkcje
Cennik
API

Specyfikacje techniczne gpt-audio-1.5

Pozycjagpt-audio-1.5 (publiczne specyfikacje)
Rodzina modeliGPT Audio family (wariant ukierunkowany na audio)
Typy wejściaTekst, audio (mowa – wejście)
Typy wyjściaTekst, audio (mowa – wyjście), wyjścia strukturalne (obsługa wywołań funkcji)
Okno kontekstu128,000 tokenów.
Maks. liczba tokenów wyjściowych16,384 (udokumentowane w powiązanym wykazie gpt-audio).
Poziom wydajnościWyższa inteligencja; średnia szybkość (zrównoważona).
Profil opóźnieńZoptymalizowany pod interakcje głosowe (średnie/niskie opóźnienia w zależności od endpointu).
DostępnośćAPI Chat Completions (audio wej./wyj.) i playgroundy platformy; zintegrowany w interfejsach czasu rzeczywistego/głosowych.
Bezpieczeństwo / uwagi dotyczące użyciaMechanizmy ochronne dla treści głosowych; traktuj wyniki modelu z zachowaniem standardowych zasad bezpieczeństwa i weryfikacji dla produkcyjnych agentów głosowych.

Uwaga: gpt-realtime-1.5 to blisko spokrewniony wariant czasu rzeczywistego ukierunkowany na audio/głos, zoptymalizowany pod niższe opóźnienia i sesje w czasie rzeczywistym; porównanie poniżej.

Czym jest gpt-audio-1.5?

gpt-audio-1.5 to model GPT obsługujący audio, który wspiera zarówno wejście mowy, jak i wyjście mowy poprzez Chat Completions i powiązane interfejsy API z obsługą audio. Jest pozycjonowany jako główny, ogólnie dostępny model audio do budowy agentów głosowych i doświadczeń zorientowanych na głos, łączący jakość i szybkość.

Główne funkcje

  1. Obsługa mowy na wejściu/wyjściu: Obsługuj mówione dane wejściowe i zwracaj odpowiedzi mówione lub tekstowe dla naturalnych przepływów głosowych.
  2. Duży kontekst dla przepływów audio: Obsługuje bardzo duży kontekst (udokumentowane 128k tokenów), umożliwiając wieloturowe, długie historie rozmów lub duże sesje multimodalne.
  3. Strumieniowanie i zgodność z Chat Completions: Działa w ramach Chat Completions z odpowiedziami audio w trybie strumieniowym oraz wyjściami strukturalnymi (wywołania funkcji).
  4. Zrównoważona wydajność/opóźnienia: Dostrojony, aby zapewniać wysokiej jakości odpowiedzi audio przy średniej przepustowości — odpowiedni dla chatbotów i asystentów głosowych, gdzie liczy się jakość.
  5. Ekosystem i integracje: Obsługiwany w playgroundach platformy i dostępny w oficjalnych endpointach czasu rzeczywistego/głosowych oraz integracjach partnerskich (uwagi dotyczące Azure/Microsoft Foundry odnoszą się do podobnych modeli audio).

gpt-audio-1.5 vs powiązane modele audio

Właściwośćgpt-audio-1.5gpt-realtime-1.5
Główny celWysokiej jakości audio na wejściu/wyjściu dla Chat Completions i przepływów konwersacyjnych.Realtime S2S (speech-to-speech) z niższym opóźnieniem dla agentów głosowych na żywo i scenariuszy strumieniowych.
Okno kontekstu128k tokenów.32k tokenów (udokumentowany wariant realtime).
Maks. liczba tokenów wyjściowych16,384 (udokumentowane).Zazwyczaj skonfigurowany pod krótsze odpowiedzi w czasie rzeczywistym (dokumentacja podaje mniejszą maksymalną liczbę tokenów).
Najlepsze zastosowaniaChatboty, asystenci z obsługą głosu, gdzie wymagane są pełna semantyka czatu + audio.Agenci głosowi na żywo, kioski oraz interfejsy konwersacyjne o niskich opóźnieniach.

Przykładowe przypadki użycia

  • Konwersacyjni agenci głosowi do obsługi klienta i wewnętrznych działów pomocy.
  • Asystenci z obsługą głosu w aplikacjach, urządzeniach i kioskach.
  • Przepływy bez użycia rąk (dyktowanie, wyszukiwanie głosowe, dostępność).
  • Doświadczenia multimodalne łączące audio z tekstem/obrazami przez Chat Completions.

Ograniczenia i względy operacyjne

  • Nie jest zamiennikiem 1:1 dla ludzkiego QA: W środowiskach produkcyjnych zawsze weryfikuj wyniki mowy i działania następcze poprzez przegląd ludzki.
  • Planowanie zasobów: Duży kontekst i I/O audio mogą zwiększać zużycie zasobów i opóźnienia — zaprojektuj strategie strumieniowania/segmentacji dla długich sesji.
  • Ograniczenia bezpieczeństwa i polityk: Wyjścia głosowe mogą mieć siłę perswazyjną; stosuj wytyczne bezpieczeństwa platformy i mechanizmy ochronne przy wdrożeniach na dużą skalę.
  • Jak uzyskać dostęp do GPT Audio 1.5 API

Krok 1: Zarejestruj się po klucz API

Zaloguj się na cometapi.com. Jeśli nie jesteś jeszcze naszym użytkownikiem, najpierw się zarejestruj. Zaloguj się do swojej konsoli CometAPI. Uzyskaj poświadczenie dostępu — klucz API interfejsu. Kliknij „Add Token” przy tokenie API w centrum osobistym, pobierz klucz tokena: sk-xxxxx i prześlij.

cometapi-key

Krok 2: Wysyłanie żądań do GPT Audio 1.5 API

Wybierz endpoint “gpt-audio-1.5”, aby wysłać żądanie API i ustaw body żądania. Metoda i body żądania są dostępne w dokumentacji API na naszej stronie. Na naszej stronie dostępny jest również test w Apifox dla Twojej wygody. Zastąp <YOUR_API_KEY> rzeczywistym kluczem CometAPI ze swojego konta. Bazowy URL to Chat Completions

Wstaw swoje pytanie lub żądanie do pola content — na to odpowie model. Przetwarzaj odpowiedź API, aby uzyskać wygenerowaną odpowiedź.

Krok 3: Pobierz i zweryfikuj wyniki

Przetwórz odpowiedź API, aby uzyskać wygenerowaną odpowiedź. Po przetworzeniu API zwraca status zadania i dane wyjściowe.

Najczęściej zadawane pytania

What are the official context and output token limits for gpt-audio-1.5 API?

gpt-audio-1.5 supports a 128,000-token context window and documents list a max output token configuration around 16,384; verify exact limits per endpoint in the developer docs. :contentReference[oaicite:44]{index=44}

Can gpt-audio-1.5 handle both speech-to-text and text-to-speech in the API?

Yes — it accepts audio inputs and can return audio outputs or textual responses via the Chat Completions/audio endpoints. :contentReference[oaicite:45]{index=45}

When should I use gpt-audio-1.5 vs gpt-realtime-1.5 for a voice agent?

Choose gpt-audio-1.5 for higher-quality audio in Chat Completions flows where larger context is required; choose gpt-realtime-1.5 for low-latency, live streaming voice interactions. :contentReference[oaicite:46]{index=46}

Does gpt-audio-1.5 support streaming and function calling for tool integrations?

Yes — the model supports streaming audio responses and structured outputs/function calling to integrate external tools and workflows. :contentReference[oaicite:47]{index=47}

Is gpt-audio-1.5 suitable for production customer support voice agents?

Yes — it's designed for voice assistants and conversational agents, but you should add human review/QA, logging, and safety controls before production deployment. :contentReference[oaicite:48]{index=48}

What are the main limitations to consider when deploying gpt-audio-1.5?

Key considerations are compute/latency tradeoffs for large context audio sessions, safety guardrails for voice content, and the need to validate ASR/TTS outputs in your domain. :contentReference[oaicite:49]{index=49}

Funkcje dla gpt-audio-1.5

Poznaj kluczowe funkcje gpt-audio-1.5, zaprojektowane w celu zwiększenia wydajności i użyteczności. Odkryj, jak te możliwości mogą przynieść korzyści Twoim projektom i poprawić doświadczenie użytkownika.

Cennik dla gpt-audio-1.5

Poznaj konkurencyjne ceny dla gpt-audio-1.5, zaprojektowane tak, aby pasowały do różnych budżetów i potrzeb użytkowania. Nasze elastyczne plany zapewniają, że płacisz tylko za to, czego używasz, co ułatwia skalowanie w miarę wzrostu Twoich wymagań. Odkryj, jak gpt-audio-1.5 może ulepszyć Twoje projekty przy jednoczesnym utrzymaniu kosztów na rozsądnym poziomie.
Cena Comet (USD / M Tokens)Oficjalna cena (USD / M Tokens)Zniżka
Wejście:$2/M
Wyjście:$8/M
Wejście:$2.5/M
Wyjście:$10/M
-20%

Przykładowy kod i API dla gpt-audio-1.5

Uzyskaj dostęp do kompleksowego przykładowego kodu i zasobów API dla gpt-audio-1.5, aby usprawnić proces integracji. Nasza szczegółowa dokumentacja zapewnia wskazówki krok po kroku, pomagając wykorzystać pełny potencjał gpt-audio-1.5 w Twoich projektach.
Python
JavaScript
Curl
from openai import OpenAI
import os
import base64

# Get your CometAPI key from https://api.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="gpt-audio-1.5",
    modalities=["text", "audio"],
    audio={"voice": "alloy", "format": "wav"},
    messages=[
        {
            "role": "user",
            "content": "Is a golden retriever a good family dog?"
        }
    ],
)

# Print the text response
print(completion.choices[0].message.audio.transcript)

# Save the audio response to a file
wav_bytes = base64.b64decode(completion.choices[0].message.audio.data)
output_path = "gpt-audio-1.5-output.wav"
with open(output_path, "wb") as f:
    f.write(wav_bytes)
print(f"Audio saved to {output_path}")

Więcej modeli