GPT-4o mini Audio

ข้อกำหนดทางเทคนิคของ gpt-4o-mini-audio

gpt-4o-mini-audio คืออะไร?

gpt-4o-mini-audio เป็นโมเดล AI แบบมัลติโหมดที่ออกแบบมาสำหรับแอปพลิเคชันที่ผสานปฏิสัมพันธ์ทั้งการพูดและการเขียน สามารถเข้าใจคำพูด ประมวลผลคำสั่งข้อความ สร้างคำตอบแบบเสียง และรองรับเวิร์กโฟลว์ที่ต้องการการโต้ตอบอย่างรวดเร็วระหว่างผู้ใช้กับระบบซอฟต์แวร์

โมเดลนี้เหมาะอย่างยิ่งสำหรับผลิตภัณฑ์ที่ต้องการประสบการณ์แบบเน้นเสียงเป็นหลักโดยไม่ละทิ้งระบบอัตโนมัติที่มีโครงสร้าง สามารถถอดความคำพูด แปลเสียงข้ามภาษา ตอบโต้เชิงสนทนา และเรียกใช้เครื่องมือหรือฟังก์ชันเมื่อแอปพลิเคชันต้องการให้โมเดลดำเนินการเกินกว่าการสร้างข้อความทั่วไป

เนื่องจากรองรับทั้งช่องทางเสียงและข้อความ gpt-4o-mini-audio จึงเป็นตัวเลือกที่ใช้งานได้จริงสำหรับการสร้างผู้ช่วยที่สามารถฟัง คิด พูด และประสานงานกับระบบปลายทาง กรณีใช้งานทั่วไป ได้แก่ เอเจนต์สนับสนุนลูกค้าทางเสียง สรุปการประชุมและการโทรแบบอัตโนมัติ คำบรรยายแบบเรียลไทม์ ผู้ช่วยหลายภาษา และอินเทอร์เฟซแอปที่ควบคุมด้วยเสียง

คุณสมบัติหลักของ gpt-4o-mini-audio

• อินพุตและเอาต์พุตเสียง: รับอินพุตแบบพูดและสร้างคำตอบแบบเสียง ช่วยให้โฟลว์การใช้งานด้วยเสียงเป็นธรรมชาติ
• การรู้จำเสียงพูด: แปลงคำพูดของผู้ใช้เป็นข้อความเพื่อใช้ในการให้เหตุผล ระบบอัตโนมัติ และควบคุมอินเทอร์เฟซ
• การแปลคำพูด: รองรับเวิร์กโฟลว์การแปลสำหรับการสนทนาหลายภาษา คำบรรยาย และงานด้านการเข้าถึง
• ข้อความเป็นเสียง: สร้างคำตอบแบบเสียงสำหรับผู้ช่วยเชิงโต้ตอบ เครื่องมือแบบแฮนด์ฟรี และประสบการณ์แบบพูด
• การทำตามคำสั่ง: จัดการพรอมป์แบบมีแนวทางได้อย่างเชื่อถือได้สำหรับพฤติกรรมผู้ช่วย เวิร์กโฟลว์การปฏิบัติงาน และงานเฉพาะโดเมน
• การตอบกลับแบบสตรีม: รองรับการส่งผลลัพธ์แบบเพิ่มพูนเพื่อลดความหน่วงสำหรับประสบการณ์เรียลไทม์ด้านเสียงและคำบรรยาย
• การเรียกใช้ฟังก์ชัน: สามารถเรียกใช้เครื่องมือหรือฟังก์ชันที่แอปกำหนดเพื่อการดำเนินการแบบมีโครงสร้าง เช่น การค้นข้อมูล โฟลว์การจอง หรือการประสานเวิร์กโฟลว์
• เอาต์พุต JSON แบบมีโครงสร้าง: เหมาะสำหรับระบบที่ต้องการผลลัพธ์แบบเครื่องอ่านได้ที่คาดเดาได้เพื่อการพาร์ส ตรวจสอบความถูกต้อง และทำให้อัตโนมัติ
• รองรับแอปแบบมัลติโหมด: เหมาะกับผลิตภัณฑ์ที่ผสานแชต เสียง บันทึกถอดความ สรุป และการดำเนินการไว้ในประสบการณ์เดียว
• ความยืดหยุ่นที่พร้อมใช้งานในโปรดักชัน: เหมาะกับผู้ช่วย โฟลว์สนับสนุน สายการถอดความสด และแอปควบคุมด้วยเสียงที่ต้องการทั้งการโต้ตอบแบบธรรมชาติและเอาต์พุตแบบมีโครงสร้าง

วิธีเข้าถึงและผสาน gpt-4o-mini-audio

ขั้นตอนที่ 1: สมัครเพื่อรับคีย์ API

เริ่มต้นด้วยการสร้างบัญชี CometAPI และสร้างคีย์ API จากแดชบอร์ด เก็บคีย์ไว้อย่างปลอดภัยและโหลดผ่านตัวแปรสภาพแวดล้อมในแอปพลิเคชันของคุณ คีย์นี้จะใช้สำหรับยืนยันตัวตนในทุกคำขอที่คุณส่งไปยัง API ของ gpt-4o-mini-audio

ขั้นตอนที่ 2: ส่งคำขอไปยัง API ของ gpt-4o-mini-audio

หลังจากได้รับคีย์ API แล้ว ให้ส่งคำขอ HTTPS ไปยังเอนด์พอยต์ของ CometAPI โดยใช้ SDK หรือไคลเอนต์ HTTP ที่คุณต้องการ ตั้งค่า model เป็น gpt-4o-mini-audio และใส่เพย์โหลดอินพุตที่เหมาะกับเคสใช้งานของคุณ เช่น ข้อความ เสียง พารามิเตอร์การสตรีม คำจำกัดความของเครื่องมือ หรือคำสั่งสำหรับเอาต์พุตแบบมีโครงสร้าง

curl https://api.cometapi.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -d '{
    "model": "gpt-4o-mini-audio",
    "input": "Transcribe this audio and return a short summary."
  }'

ขั้นตอนที่ 3: ดึงผลลัพธ์และตรวจสอบความถูกต้อง

เมื่อ API ตอบกลับ ให้แยกวิเคราะห์เนื้อหาที่ส่งกลับตามรูปแบบที่คุณร้องขอ เช่น ข้อความธรรมดา เมทาดาทาเอาต์พุตเสียง อีเวนต์แบบสตรีม หรือ JSON แบบมีโครงสร้าง ตรวจสอบว่าการตอบกลับตรงตามสคีมาที่คุณคาดหวัง ยืนยันการเรียกใช้เครื่องมือหากเวิร์กโฟลว์ของคุณใช้การเรียกฟังก์ชัน และบันทึกผลลัพธ์อย่างเหมาะสมเพื่อให้การผสานกับ gpt-4o-mini-audio เชื่อถือได้ในสภาพแวดล้อมโปรดักชัน