Kiedy powinienem użyć gpt-audio-1.5, a kiedy gpt-realtime-1.5 dla agenta głosowego?

Wybierz gpt-audio-1.5, gdy potrzebujesz wyższej jakości audio w przepływach Chat Completions, w których wymagany jest większy kontekst; wybierz gpt-realtime-1.5 do strumieniowanych na żywo interakcji głosowych o niskich opóźnieniach. :contentReference[oaicite:46]{index=46}

Czy gpt-audio-1.5 nadaje się do produkcyjnych agentów głosowych obsługi klienta?

Tak — został zaprojektowany dla asystentów głosowych i agentów konwersacyjnych, ale przed wdrożeniem produkcyjnym należy dodać ręczną weryfikację/QA, logowanie oraz mechanizmy bezpieczeństwa. :contentReference[oaicite:48]{index=48}

Jakie są główne ograniczenia, które należy wziąć pod uwagę przy wdrażaniu gpt-audio-1.5?

Kluczowe kwestie to kompromisy między zasobami obliczeniowymi a opóźnieniami w przypadku sesji audio z dużym kontekstem, mechanizmy bezpieczeństwa dla treści głosowych oraz konieczność walidacji wyników ASR/TTS w twojej domenie. :contentReference[oaicite:49]{index=49}

Czy gpt-audio-1.5 obsługuje zarówno zamianę mowy na tekst, jak i tekstu na mowę w API?

Tak — przyjmuje wejścia audio i może zwracać wyjścia audio lub odpowiedzi tekstowe za pośrednictwem punktów końcowych Chat Completions/audio. :contentReference[oaicite:45]{index=45}

Jakie są oficjalne limity kontekstu i tokenów wyjściowych dla API gpt-audio-1.5?

gpt-audio-1.5 obsługuje okno kontekstu o wielkości 128,000 tokenów, a dokumentacja podaje maksymalną konfigurację liczby tokenów wyjściowych około 16,384; zweryfikuj dokładne limity dla każdego punktu końcowego w dokumentacji deweloperskiej. :contentReference[oaicite:44]{index=44}

Czy gpt-audio-1.5 obsługuje strumieniowanie i wywoływanie funkcji na potrzeby integracji z narzędziami?

Tak — model obsługuje strumieniowanie odpowiedzi audio oraz ustrukturyzowane wyjścia/wywoływanie funkcji w celu integracji zewnętrznych narzędzi i przepływów pracy. :contentReference[oaicite:47]{index=47}

OpenAI

Dostępny

gpt-audio-1.5

gpt-audio-1.5 API

Najlepszy model głosowy do wejścia i wyjścia audio w ramach Chat Completions.

Cena początkowa

$2.00 / 1 mln tokenów wejściowych

Rozliczenie za zużycie

Stan API

Dostępny

Endpoint produkcyjny

Czas odpowiedzi

Gotowe na async

Zaobserwowany czas odpowiedzi API

Data wydania

Feb 24, 2026

OpenAI

Przegląd

Praktyczny przegląd gpt-audio-1.5, obejmujący ważne zachowania i uwagi dotyczące integracji.

Specyfikacja techniczna gpt-audio-1.5

Element	gpt-audio-1.5 (specyfikacje publiczne)
Rodzina modeli	Rodzina GPT Audio (wariant audio-first)
Typy wejścia	Tekst, audio (mowa – wejście)
Typy wyjścia	Tekst, audio (mowa – wyjście), wyjścia strukturyzowane (obsługa wywołań funkcji)
Okno kontekstu	128,000 tokenów.
Maksymalna liczba tokenów wyjściowych	16,384 (udokumentowane w powiązanym wpisie gpt-audio).
Poziom wydajności	Wyższy poziom inteligencji; średnia szybkość (zbalansowana).
Profil opóźnień	Zoptymalizowany pod interakcje głosowe (średnie/niskie opóźnienia zależnie od endpointu).
Dostępność	Chat Completions API (audio in/out) i playgroundy platformy; zintegrowany w ramach interfejsów czasu rzeczywistego/głosowych.
Uwagi dot. bezpieczeństwa/użytkowania	Zabezpieczenia dla treści głosowych; traktuj wyniki modelu z typowymi zasadami bezpieczeństwa i weryfikacji dla produkcyjnych agentów głosowych.

Uwaga: gpt-realtime-1.5 to blisko spokrewniony wariant czasu rzeczywistego, audio/voice-first, 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 obsługujące audio. Jest pozycjonowany jako główny, ogólnodostępny model audio do budowy agentów głosowych i doświadczeń “speech-first”, łączący jakość i szybkość.

Główne funkcje

Obsługa mowy na wejściu/wyjściu: Obsługuje mówione wejście i zwraca mówione lub tekstowe odpowiedzi dla naturalnych przepływów głosowych.
Duży kontekst dla przepływów audio: Obsługuje bardzo duży kontekst (udokumentowane 128k tokenów), umożliwiając wieloturnowe, długie historie rozmów lub obszerne sesje multimodalne.
Streaming i zgodność z Chat Completions: Działa w Chat Completions, oferując strumieniowe odpowiedzi audio oraz strukturyzowane wyjścia z wywołaniami funkcji.
Zrównoważona wydajność/opóźnienia: Strojony pod wysoką jakość odpowiedzi audio przy średniej przepustowości — odpowiedni do chatbotów i asystentów głosowych, gdzie liczy się jakość.
Ekosystem i integracje: Wspierany w playgroundach platformy i dostępny w oficjalnych endpointach czasu rzeczywistego/głosowych oraz integracjach partnerskich (uwagi Azure/Microsoft Foundry odnoszą się do podobnych modeli audio).

gpt-audio-1.5 vs powiązane modele audio

Właściwość	gpt-audio-1.5	gpt-realtime-1.5
Główny cel	Wysokiej 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 kontekstu	128k tokenów.	32k tokenów (wariant czasu rzeczywistego udokumentowany).
Maksymalna liczba tokenów wyjściowych	16,384 (udokumentowane).	Zwykle skonfigurowany dla krótszych odpowiedzi czasu rzeczywistego (dokumentacja podaje mniejszą maksymalną liczbę tokenów).
Najlepsze zastosowanie	Chatboty, asystenci z obsługą głosu, gdzie wymagane są pełne semantyki czatu + audio.	Agenci głosowi na żywo, kioski i konwersacyjne interfejsy o niskim opóźnieniu.

Reprezentatywne przypadki użycia

Konwersacyjni agenci głosowi dla obsługi klienta i wewnętrznych help desków.
Asystenci z obsługą głosu osadzeni w aplikacjach, urządzeniach i kioskach.
Przepływy bez użycia rąk (dyktowanie, wyszukiwanie głosowe, dostępność).
Doświadczenia multimodalne łączące audio z tekstem/obrazami poprzez Chat Completions.

Ograniczenia i kwestie operacyjne

Nie jest prostym zamiennikiem ludzkiego QA: Zawsze weryfikuj wyjścia głosowe i dalsze działania z udziałem człowieka w produkcyjnych przepływach.
Planowanie zasobów: Duże okno kontekstu oraz I/O audio mogą zwiększyć koszty obliczeń i opóźnienia — zaplanuj strategie streamingu/segmentacji dla długich sesji.
Bezpieczeństwo i ograniczenia polityk: Wyjścia głosowe mogą mieć silniejszy wpływ perswazyjny; stosuj wytyczne platformy i zabezpieczenia przy wdrożeniach na skalę.
Jak uzyskać dostęp do GPT Audio 1.5 API

Krok 1: Zarejestruj się, aby uzyskać klucz API

Zaloguj się do cometapi.com. Jeśli nie jesteś jeszcze naszym użytkownikiem, najpierw się zarejestruj. Zaloguj się do swojej konsoli CometAPI. Uzyskaj klucz API dostępu do interfejsu. Kliknij „Add Token” w sekcji tokenów API w centrum osobistym, pobierz klucz tokenu: sk-xxxxx i zatwierdź.

cometapi-key

Krok 2: Wysyłanie żądań do API GPT Audio 1.5

Wybierz endpoint “gpt-audio-1.5”, aby wysłać żądanie API i ustaw ciało żądania. Metodę i ciało żądania znajdziesz w dokumentacji API na naszej stronie. Nasza strona oferuje także testy w Apifox dla Twojej wygody. Zamień <YOUR_API_KEY> na faktyczny klucz CometAPI z Twojego konta. Bazowy URL to Chat Completions

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

Krok 3: Odbierz i zweryfikuj wyniki

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

FAQ

Cennik

Skorzystaj z powyższego szybkiego oszacowania dla pojedynczego uruchomienia, a następnie sprawdź pełne porównanie cen CometAPI i cen oficjalnych.

Pierwsze żądanie

$0.01

Szacowany koszt użytkowania CometAPI

Dziesięć żądań

$0.1

Szacowany koszt użytkowania CometAPI

Piętnaście żądań

$0.15

Szacowany koszt użytkowania CometAPI

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.

Comet Price (USD / M Tokens)	Official Price (USD / M Tokens)	Discount
Wejście:$2/M Wyjście:$8/M	Wejście:$2.5/M Wyjście:$10/M	-20%

API

Skopiuj działający endpoint i przykładowy kod, a następnie otwórz pełną dokumentację API, gdy potrzebujesz wszystkich parametrów.

Jedno API, dostęp do modeli gotowy do produkcji

Uwierzytelnij się raz, wywołuj endpoint modelu i zachowaj ten sam proces rozliczeń i monitorowania u różnych dostawców.

POST/v1/chat/completions

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.

POST

/v1/chat/completions

# Get your CometAPI key from https://api.cometapi.com/console/token
# Export it as: export COMETAPI_KEY="your-key-here"

RESPONSE=$(curl https://api.cometapi.com/v1/chat/completions \
  -s \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "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 transcript
echo "$RESPONSE" | python3 -c "import sys, json; r=json.load(sys.stdin); print(r['choices'][0]['message']['audio']['transcript'])"

# Save the audio to a WAV file
echo "$RESPONSE" | python3 -c "
import sys, json, base64
r = json.load(sys.stdin)
audio_data = r['choices'][0]['message']['audio']['data']
with open('gpt-audio-1.5-output.wav', 'wb') as f:
    f.write(base64.b64decode(audio_data))
print('Audio saved to gpt-audio-1.5-output.wav')
"

cURL Code Example

# Get your CometAPI key from https://api.cometapi.com/console/token
# Export it as: export COMETAPI_KEY="your-key-here"

RESPONSE=$(curl https://api.cometapi.com/v1/chat/completions \
  -s \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "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 transcript
echo "$RESPONSE" | python3 -c "import sys, json; r=json.load(sys.stdin); print(r['choices'][0]['message']['audio']['transcript'])"

# Save the audio to a WAV file
echo "$RESPONSE" | python3 -c "
import sys, json, base64
r = json.load(sys.stdin)
audio_data = r['choices'][0]['message']['audio']['data']
with open('gpt-audio-1.5-output.wav', 'wb') as f:
    f.write(base64.b64decode(audio_data))
print('Audio saved to gpt-audio-1.5-output.wav')
"

Python Code Example

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}")

JavaScript Code Example

import OpenAI from "openai";
import fs from "fs";

// Get your CometAPI key from https://api.cometapi.com/console/token, and paste it here
const api_key = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";
const base_url = "https://api.cometapi.com/v1";

const openai = new OpenAI({ apiKey: api_key, baseURL: base_url });

const completion = await openai.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 transcript
console.log(completion.choices[0].message.audio.transcript);

// Save the audio response to a file
const wavBytes = Buffer.from(completion.choices[0].message.audio.data, "base64");
const outputPath = "gpt-audio-1.5-output.wav";
fs.writeFileSync(outputPath, wavBytes);
console.log(`Audio saved to ${outputPath}`);

Możliwości

Sprawdź kluczowe informacje o modelu przed wyborem architektury lub oszacowaniem obciążenia produkcyjnego.

Obsługiwane możliwości

Funkcje zwracane przez istniejące API modelu.

text-to-speech

Wejście i wyjście

Wejścia

text

Wyjścia

audio

Profil produkcyjny

Dostawca: OpenAI
Kontekst: Zależnie od modelu
Użycie komercyjne: Obsługiwane

Przypadki użycia

Używaj gpt-audio-1.5 w procesach produkcyjnych odpowiadających możliwościom audio, a następnie porównaj alternatywy przed długoterminową integracją.

Generowanie mowy, muzyki i dźwięku

Doświadczenia głosowe i produkcja mediów

Zautomatyzowane przepływy pracy audio na dużą skalę

Inne modele

Porównaj inne modele dostępne w CometAPI pod względem jakości, opóźnienia, możliwości i ceny.

Otwórz porównanie modeli →

OpenAI

GPT-Realtime-2.1

GPT-Realtime-2.1 updates GPT-Realtime-2 with improved alphanumeric recognition, silence and noise handling, and interruption behavior. It supports speech-to-speech interactions with configurable reasoning effort, instruction following, and tool use for complex voice-agent workflows.

Zobacz model

OpenAI

GPT-Realtime-2

GPT-Realtime-2 to nasz najbardziej zaawansowany model głosowy czasu rzeczywistego. Obsługuje interakcje mowa–mowa z konfigurowalnym poziomem rozumowania, dokładniejszym wykonywaniem poleceń oraz bardziej niezawodnym wykorzystaniem narzędzi w złożonych przepływach pracy agentów głosowych.

Zobacz model

OpenAI

gpt-realtime-1.5

Najlepszy model głosowy do wejścia i wyjścia audio.

Synteza mowy OpenAI

[Synteza mowy] Nowo uruchomione: konwersja tekstu na audio o jakości emisyjnej online, z funkcją podglądu ● Może równocześnie generować audio_id, do użycia z dowolnym API Keling.

Kling wideo-na-audio

Uptime

Sprawdź dane heartbeat na żywo, dostępność endpointu i zaobserwowane czasy odpowiedzi przed przejściem do produkcji.

Kontynuuj eksplorację

Porównuj modele i kontynuuj swoje badania

OpenAI

Dostępny

gpt-audio-1.5

gpt-audio-1.5 API

Najlepszy model głosowy do wejścia i wyjścia audio w ramach Chat Completions.

Cena początkowa

$2.00 / 1 mln tokenów wejściowych

Rozliczenie za zużycie

Stan API

Dostępny

Endpoint produkcyjny

Czas odpowiedzi

Gotowe na async

Zaobserwowany czas odpowiedzi API

Data wydania

Feb 24, 2026

OpenAI

Przegląd

Praktyczny przegląd gpt-audio-1.5, obejmujący ważne zachowania i uwagi dotyczące integracji.

Specyfikacja techniczna gpt-audio-1.5

Element	gpt-audio-1.5 (specyfikacje publiczne)
Rodzina modeli	Rodzina GPT Audio (wariant audio-first)
Typy wejścia	Tekst, audio (mowa – wejście)
Typy wyjścia	Tekst, audio (mowa – wyjście), wyjścia strukturyzowane (obsługa wywołań funkcji)
Okno kontekstu	128,000 tokenów.
Maksymalna liczba tokenów wyjściowych	16,384 (udokumentowane w powiązanym wpisie gpt-audio).
Poziom wydajności	Wyższy poziom inteligencji; średnia szybkość (zbalansowana).
Profil opóźnień	Zoptymalizowany pod interakcje głosowe (średnie/niskie opóźnienia zależnie od endpointu).
Dostępność	Chat Completions API (audio in/out) i playgroundy platformy; zintegrowany w ramach interfejsów czasu rzeczywistego/głosowych.
Uwagi dot. bezpieczeństwa/użytkowania	Zabezpieczenia dla treści głosowych; traktuj wyniki modelu z typowymi zasadami bezpieczeństwa i weryfikacji dla produkcyjnych agentów głosowych.

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

Czym jest gpt-audio-1.5?

Główne funkcje

Obsługa mowy na wejściu/wyjściu: Obsługuje mówione wejście i zwraca mówione lub tekstowe odpowiedzi dla naturalnych przepływów głosowych.
Duży kontekst dla przepływów audio: Obsługuje bardzo duży kontekst (udokumentowane 128k tokenów), umożliwiając wieloturnowe, długie historie rozmów lub obszerne sesje multimodalne.
Streaming i zgodność z Chat Completions: Działa w Chat Completions, oferując strumieniowe odpowiedzi audio oraz strukturyzowane wyjścia z wywołaniami funkcji.
Zrównoważona wydajność/opóźnienia: Strojony pod wysoką jakość odpowiedzi audio przy średniej przepustowości — odpowiedni do chatbotów i asystentów głosowych, gdzie liczy się jakość.
Ekosystem i integracje: Wspierany w playgroundach platformy i dostępny w oficjalnych endpointach czasu rzeczywistego/głosowych oraz integracjach partnerskich (uwagi Azure/Microsoft Foundry odnoszą się do podobnych modeli audio).

gpt-audio-1.5 vs powiązane modele audio

Właściwość	gpt-audio-1.5	gpt-realtime-1.5
Główny cel	Wysokiej 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 kontekstu	128k tokenów.	32k tokenów (wariant czasu rzeczywistego udokumentowany).
Maksymalna liczba tokenów wyjściowych	16,384 (udokumentowane).	Zwykle skonfigurowany dla krótszych odpowiedzi czasu rzeczywistego (dokumentacja podaje mniejszą maksymalną liczbę tokenów).
Najlepsze zastosowanie	Chatboty, asystenci z obsługą głosu, gdzie wymagane są pełne semantyki czatu + audio.	Agenci głosowi na żywo, kioski i konwersacyjne interfejsy o niskim opóźnieniu.

Reprezentatywne przypadki użycia

Konwersacyjni agenci głosowi dla obsługi klienta i wewnętrznych help desków.
Asystenci z obsługą głosu osadzeni w aplikacjach, urządzeniach i kioskach.
Przepływy bez użycia rąk (dyktowanie, wyszukiwanie głosowe, dostępność).
Doświadczenia multimodalne łączące audio z tekstem/obrazami poprzez Chat Completions.

Ograniczenia i kwestie operacyjne

Nie jest prostym zamiennikiem ludzkiego QA: Zawsze weryfikuj wyjścia głosowe i dalsze działania z udziałem człowieka w produkcyjnych przepływach.
Planowanie zasobów: Duże okno kontekstu oraz I/O audio mogą zwiększyć koszty obliczeń i opóźnienia — zaplanuj strategie streamingu/segmentacji dla długich sesji.
Bezpieczeństwo i ograniczenia polityk: Wyjścia głosowe mogą mieć silniejszy wpływ perswazyjny; stosuj wytyczne platformy i zabezpieczenia przy wdrożeniach na skalę.
Jak uzyskać dostęp do GPT Audio 1.5 API

Krok 1: Zarejestruj się, aby uzyskać klucz API

cometapi-key

Krok 2: Wysyłanie żądań do API GPT Audio 1.5

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

Krok 3: Odbierz i zweryfikuj wyniki

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

FAQ

Cennik

Skorzystaj z powyższego szybkiego oszacowania dla pojedynczego uruchomienia, a następnie sprawdź pełne porównanie cen CometAPI i cen oficjalnych.

Pierwsze żądanie

$0.01

Szacowany koszt użytkowania CometAPI

Dziesięć żądań

$0.1

Szacowany koszt użytkowania CometAPI

Piętnaście żądań

$0.15

Szacowany koszt użytkowania CometAPI

Cennik dla gpt-audio-1.5

Comet Price (USD / M Tokens)	Official Price (USD / M Tokens)	Discount
Wejście:$2/M Wyjście:$8/M	Wejście:$2.5/M Wyjście:$10/M	-20%

API

Skopiuj działający endpoint i przykładowy kod, a następnie otwórz pełną dokumentację API, gdy potrzebujesz wszystkich parametrów.

Jedno API, dostęp do modeli gotowy do produkcji

Uwierzytelnij się raz, wywołuj endpoint modelu i zachowaj ten sam proces rozliczeń i monitorowania u różnych dostawców.

POST/v1/chat/completions

Przykładowy kod i API dla gpt-audio-1.5

POST

/v1/chat/completions

# Get your CometAPI key from https://api.cometapi.com/console/token
# Export it as: export COMETAPI_KEY="your-key-here"

RESPONSE=$(curl https://api.cometapi.com/v1/chat/completions \
  -s \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "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 transcript
echo "$RESPONSE" | python3 -c "import sys, json; r=json.load(sys.stdin); print(r['choices'][0]['message']['audio']['transcript'])"

# Save the audio to a WAV file
echo "$RESPONSE" | python3 -c "
import sys, json, base64
r = json.load(sys.stdin)
audio_data = r['choices'][0]['message']['audio']['data']
with open('gpt-audio-1.5-output.wav', 'wb') as f:
    f.write(base64.b64decode(audio_data))
print('Audio saved to gpt-audio-1.5-output.wav')
"

cURL Code Example

# Get your CometAPI key from https://api.cometapi.com/console/token
# Export it as: export COMETAPI_KEY="your-key-here"

RESPONSE=$(curl https://api.cometapi.com/v1/chat/completions \
  -s \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "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 transcript
echo "$RESPONSE" | python3 -c "import sys, json; r=json.load(sys.stdin); print(r['choices'][0]['message']['audio']['transcript'])"

# Save the audio to a WAV file
echo "$RESPONSE" | python3 -c "
import sys, json, base64
r = json.load(sys.stdin)
audio_data = r['choices'][0]['message']['audio']['data']
with open('gpt-audio-1.5-output.wav', 'wb') as f:
    f.write(base64.b64decode(audio_data))
print('Audio saved to gpt-audio-1.5-output.wav')
"

Python Code Example

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}")

JavaScript Code Example

import OpenAI from "openai";
import fs from "fs";

// Get your CometAPI key from https://api.cometapi.com/console/token, and paste it here
const api_key = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";
const base_url = "https://api.cometapi.com/v1";

const openai = new OpenAI({ apiKey: api_key, baseURL: base_url });

const completion = await openai.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 transcript
console.log(completion.choices[0].message.audio.transcript);

// Save the audio response to a file
const wavBytes = Buffer.from(completion.choices[0].message.audio.data, "base64");
const outputPath = "gpt-audio-1.5-output.wav";
fs.writeFileSync(outputPath, wavBytes);
console.log(`Audio saved to ${outputPath}`);

Możliwości

Sprawdź kluczowe informacje o modelu przed wyborem architektury lub oszacowaniem obciążenia produkcyjnego.

Obsługiwane możliwości

Funkcje zwracane przez istniejące API modelu.

text-to-speech

Wejście i wyjście

Wejścia

text

Wyjścia

audio

Profil produkcyjny

Dostawca: OpenAI
Kontekst: Zależnie od modelu
Użycie komercyjne: Obsługiwane

Przypadki użycia

Używaj gpt-audio-1.5 w procesach produkcyjnych odpowiadających możliwościom audio, a następnie porównaj alternatywy przed długoterminową integracją.

Generowanie mowy, muzyki i dźwięku

Doświadczenia głosowe i produkcja mediów

Zautomatyzowane przepływy pracy audio na dużą skalę

Inne modele

Porównaj inne modele dostępne w CometAPI pod względem jakości, opóźnienia, możliwości i ceny.

Otwórz porównanie modeli →

Najlepszy model głosowy do wejścia i wyjścia audio.

Synteza mowy OpenAI

[Synteza mowy] Nowo uruchomione: konwersja tekstu na audio o jakości emisyjnej online, z funkcją podglądu ● Może równocześnie generować audio_id, do użycia z dowolnym API Keling.

Kling wideo-na-audio

Uptime

Sprawdź dane heartbeat na żywo, dostępność endpointu i zaobserwowane czasy odpowiedzi przed przejściem do produkcji.

Kontynuuj eksplorację