ควรใช้ gpt-audio-1.5 หรือ gpt-realtime-1.5 เมื่อใดสำหรับเอเจนต์เสียง?

เลือก gpt-audio-1.5 สำหรับคุณภาพเสียงที่สูงกว่าในกระบวนงาน Chat Completions ที่ต้องการบริบทขนาดใหญ่; เลือก gpt-realtime-1.5 สำหรับการโต้ตอบด้วยเสียงแบบสตรีมมิงสดที่มีความหน่วงต่ำ. :contentReference[oaicite:46]{index=46}

gpt-audio-1.5 เหมาะสำหรับเอเจนต์เสียงสนับสนุนลูกค้าในสภาพแวดล้อมโปรดักชันหรือไม่?

ใช่ — โมเดลนี้ถูกออกแบบมาสำหรับผู้ช่วยเสียงและเอเจนต์สนทนา แต่คุณควรเพิ่มการทบทวน/ตรวจสอบคุณภาพโดยมนุษย์ การบันทึกล็อก และการควบคุมด้านความปลอดภัยก่อนการปรับใช้ในโปรดักชัน. :contentReference[oaicite:48]{index=48}

ข้อจำกัดหลักที่ควรพิจารณาเมื่อปรับใช้ gpt-audio-1.5 มีอะไรบ้าง?

ประเด็นสำคัญได้แก่ การแลกเปลี่ยนระหว่างกำลังประมวลผล/ความหน่วงสำหรับเซสชันเสียงที่มีบริบทขนาดใหญ่ มาตรการป้องกันด้านความปลอดภัยสำหรับคอนเทนต์เสียง และความจำเป็นในการตรวจสอบความถูกต้องของผลลัพธ์ ASR/TTS ในโดเมนของคุณ. :contentReference[oaicite:49]{index=49}

gpt-audio-1.5 สามารถรองรับทั้ง speech-to-text และ text-to-speech ใน API ได้หรือไม่?

ใช่ — โมเดลรองรับอินพุตเสียงและสามารถส่งออกเป็นเอาต์พุตเสียงหรือคำตอบเป็นข้อความผ่าน Chat Completions/audio endpoints. :contentReference[oaicite:45]{index=45}

ขีดจำกัดบริบทและโทเค็นผลลัพธ์อย่างเป็นทางการสำหรับ gpt-audio-1.5 API มีเท่าใด?

gpt-audio-1.5 รองรับหน้าต่างบริบท 128,000 โทเค็น และเอกสารระบุการตั้งค่าโทเค็นผลลัพธ์สูงสุดประมาณ 16,384; โปรดตรวจสอบขีดจำกัดที่แน่นอนตามแต่ละ endpoint ในคู่มือสำหรับนักพัฒนา. :contentReference[oaicite:44]{index=44}

gpt-audio-1.5 รองรับการสตรีมและการเรียกใช้ฟังก์ชันเพื่อการผสานรวมกับเครื่องมือหรือไม่?

ใช่ — โมเดลรองรับการตอบกลับเสียงแบบสตรีมมิงและผลลัพธ์ที่มีโครงสร้าง/การเรียกใช้ฟังก์ชัน เพื่อผสานรวมเครื่องมือและเวิร์กโฟลว์ภายนอก. :contentReference[oaicite:47]{index=47}

OpenAI

พร้อมใช้งาน

gpt-audio-1.5

gpt-audio-1.5 API

โมเดลเสียงที่ดีที่สุดสำหรับอินพุตเสียงและเอาต์พุตเสียงด้วย Chat Completions.

ราคาเริ่มต้น

$2.00 / อินพุต 1 ล้านโทเคน

คิดค่าบริการตามการใช้งาน

สถานะ API

พร้อมใช้งาน

เอนด์พอยต์สำหรับโปรดักชัน

เวลาตอบสนอง

รองรับการทำงานแบบ async

เวลาตอบสนอง API ที่วัดได้จริง

วันที่เผยแพร่

Feb 24, 2026

OpenAI

ภาพรวม

ภาพรวมการใช้งานจริงของ gpt-audio-1.5 รวมถึงพฤติกรรมสำคัญและข้อควรพิจารณาในการเชื่อมต่อ

ข้อมูลจำเพาะทางเทคนิคของ gpt-audio-1.5

Item	gpt-audio-1.5 (สเปกสาธารณะ)
Model family	GPT Audio family (audio-first variant)
Input types	ข้อความ, เสียง (คำพูดขาเข้า)
Output types	ข้อความ, เสียง (คำพูดขาออก), ผลลัพธ์แบบมีโครงสร้าง (รองรับการเรียกฟังก์ชัน)
Context window	128,000 โทเค็น
Max output tokens	16,384 (มีระบุไว้ในรายการ gpt-audio ที่เกี่ยวข้อง)
Performance tier	ความฉลาดสูงกว่า; ความเร็วระดับกลาง (สมดุล)
Latency profile	ปรับให้เหมาะกับการโต้ตอบด้วยเสียง (เวลาแฝงปานกลาง/ต่ำ ขึ้นกับ endpoint)
Availability	Chat Completions API (audio in/out) และ playgrounds ของแพลตฟอร์ม; ผสานรวมทั่วช่องทางแบบเรียลไทม์/เสียง
Safety / usage notes	มีมาตรการป้องกันสำหรับเนื้อหาเสียง; ควรปฏิบัติต่อผลลัพธ์ของโมเดลด้วยมาตรฐานด้านความปลอดภัยและการตรวจสอบสำหรับเอเจนต์เสียงในสภาพแวดล้อมการผลิต

หมายเหตุ: gpt-realtime-1.5 เป็นรุ่นแบบเรียลไทม์ที่เกี่ยวข้องอย่างใกล้ชิด เน้นเสียงเป็นหลัก ปรับให้เหมาะกับเวลาแฝงที่ต่ำกว่าและเซสชันแบบเรียลไทม์; เปรียบเทียบด้านล่าง

gpt-audio-1.5 คืออะไร?

gpt-audio-1.5 คือโมเดล GPT ที่รองรับเสียงทั้งรับคำพูดและส่งออกเป็นคำพูดผ่าน Chat Completions และ API ที่รองรับเสียงที่เกี่ยวข้อง ถูกวางตำแหน่งให้เป็นโมเดลเสียงหลักที่เปิดให้ใช้งานทั่วไปสำหรับสร้างเอเจนต์เสียงและประสบการณ์ที่เน้นเสียงเป็นอันดับแรก โดยคงความสมดุลระหว่างคุณภาพและความเร็ว

คุณสมบัติหลัก

รองรับคำพูดขาเข้า/ขาออก: รับอินพุตเป็นคำพูดและส่งคืนคำตอบเป็นคำพูดหรือข้อความเพื่อการสนทนาเสียงที่เป็นธรรมชาติ
บริบทขนาดใหญ่สำหรับเวิร์กโฟลว์เสียง: รองรับบริบทขนาดใหญ่มาก (ระบุไว้ 128k โทเค็น) เพื่อรองรับการโต้ตอบหลายรอบ ประวัติการสนทนายาว หรือเซสชันมัลติโหมดขนาดใหญ่
รองรับสตรีมมิ่งและทำงานร่วมกับ Chat Completions: ทำงานภายใน Chat Completions พร้อมการตอบเสียงแบบสตรีมและผลลัพธ์แบบมีโครงสร้างด้วยการเรียกฟังก์ชัน
สมดุลระหว่างประสิทธิภาพ/เวลาแฝง: ปรับจูนเพื่อให้คำตอบเสียงคุณภาพสูงที่อัตราผ่านข้อมูลระดับปานกลาง—เหมาะสำหรับแชตบอทและผู้ช่วยเสียงที่ให้ความสำคัญกับคุณภาพ
ระบบนิเวศและการผสานรวม: รองรับใน playgrounds ของแพลตฟอร์ม และมีให้ใช้ใน endpoints แบบเรียลไทม์/เสียงอย่างเป็นทางการและการผสานร่วมกับพาร์ทเนอร์ (เอกสารของ Azure/Microsoft Foundry อ้างถึงโมเดลเสียงที่คล้ายกัน)

gpt-audio-1.5 เทียบกับโมเดลเสียงที่เกี่ยวข้อง

Property	gpt-audio-1.5	gpt-realtime-1.5
Primary focus	เสียงเข้า/ออกคุณภาพสูงสำหรับ Chat Completions และโฟลว์การสนทนา	S2S แบบเรียลไทม์ (speech-to-speech) ที่มีเวลาแฝงต่ำกว่า สำหรับเอเจนต์เสียงสดและสถานการณ์สตรีมมิ่ง
Context window	128k โทเค็น	32k โทเค็น (รุ่นเรียลไทม์ที่ระบุไว้)
Max output tokens	16,384 (ระบุไว้)	โดยทั่วไปกำหนดให้ตอบสั้นกว่าแบบเรียลไทม์ (เอกสารระบุ max tokens ที่น้อยกว่า)
Best use	แชตบอท ผู้ช่วยที่รองรับเสียงซึ่งต้องการโครงสร้างการสนทนาแบบครบถ้วนพร้อมเสียง	เอเจนต์เสียงแบบสด คีออสก์ และอินเทอร์เฟซการสนทนาที่ต้องการเวลาแฝงต่ำ

กรณีใช้งานที่พบบ่อย

เอเจนต์เสียงเพื่อการสนทนาสำหรับฝ่ายสนับสนุนลูกค้าและศูนย์ช่วยเหลือภายใน
ผู้ช่วยที่รองรับเสียงฝังในแอป อุปกรณ์ และคีออสก์
เวิร์กโฟลว์แบบแฮนด์ฟรี (การพูดตามคำบอก, ค้นหาด้วยเสียง, การช่วยการเข้าถึง)
ประสบการณ์มัลติโหมดที่ผสมผสานเสียงกับข้อความ/รูปภาพผ่าน Chat Completions

ข้อจำกัดและข้อพิจารณาด้านการปฏิบัติการ

ไม่ใช่สิ่งทดแทน QA ของมนุษย์แบบเสียบใช้ได้ทันที: ควรตรวจสอบผลลัพธ์เสียงและการกระทำถัดไปด้วยการทบทวนโดยมนุษย์ในสภาพแวดล้อมการผลิตเสมอ
การวางแผนทรัพยากร: บริบทขนาดใหญ่และการรับ/ส่งเสียงอาจเพิ่มภาระคำนวณและเวลาแฝง—ออกแบบกลยุทธ์การสตรีม/การแบ่งช่วงสำหรับเซสชันยาว
ข้อจำกัดด้านความปลอดภัยและนโยบาย: ผลลัพธ์เสียงอาจมีอิทธิพลโน้มน้าวได้; ปฏิบัติตามแนวทางความปลอดภัยและมาตรการป้องกันของแพลตฟอร์มเมื่อปรับใช้ในวงกว้าง
วิธีเข้าถึง GPT Audio 1.5 API

ขั้นตอนที่ 1: ลงทะเบียนเพื่อรับ API Key

เข้าสู่ระบบที่ cometapi.com หากคุณยังไม่เป็นผู้ใช้ของเรา โปรดสมัครสมาชิกก่อน เข้าสู่ระบบ CometAPI console รับ API key สำหรับการเข้าถึงอินเทอร์เฟซ คลิก “Add Token” ที่ API token ในศูนย์ส่วนบุคคล รับ token key: sk-xxxxx แล้วส่ง

cometapi-key

ขั้นตอนที่ 2: ส่งคำขอไปยัง GPT Audio 1.5 API

เลือก endpoint “gpt-audio-1.5” เพื่อส่งคำขอ API และตั้งค่า request body วิธีการและ request body สามารถดูได้จากเอกสาร API บนเว็บไซต์ของเรา เว็บไซต์ยังมีการทดสอบ Apifox เพื่อความสะดวกของคุณ แทนที่ <YOUR_API_KEY> ด้วย CometAPI key จริงจากบัญชีของคุณ base url is Chat Completions

ใส่คำถามหรือคำขอของคุณในช่อง content—ซึ่งเป็นสิ่งที่โมเดลจะตอบกลับ ประมวลผลการตอบกลับของ API เพื่อรับคำตอบที่สร้างขึ้น

ขั้นตอนที่ 3: ดึงผลลัพธ์และตรวจสอบความถูกต้อง

ประมวลผลการตอบกลับของ API เพื่อรับคำตอบที่สร้างขึ้น หลังการประมวลผล API จะตอบกลับด้วยสถานะงานและข้อมูลผลลัพธ์

คำถามที่พบบ่อย

ราคา

ใช้การประเมินค่าใช้จ่ายอย่างรวดเร็วด้านบนสำหรับการรันครั้งเดียว จากนั้นดูการเปรียบเทียบราคาฉบับเต็มระหว่าง CometAPI และราคาทางการ

คำขอแรก

$0.01

ค่าใช้จ่ายโดยประมาณของ CometAPI

สิบคำขอ

$0.1

ค่าใช้จ่ายโดยประมาณของ CometAPI

สิบห้าคำขอ

$0.15

ค่าใช้จ่ายโดยประมาณของ CometAPI

ราคาสำหรับ gpt-audio-1.5

สำรวจราคาที่แข่งขันได้สำหรับ gpt-audio-1.5 ที่ออกแบบมาให้เหมาะสมกับงบประมาณและความต้องการการใช้งานที่หลากหลาย แผนการบริการที่ยืดหยุ่นของเรารับประกันว่าคุณจะจ่ายเฉพาะสิ่งที่คุณใช้เท่านั้น ทำให้สามารถขยายขนาดได้ง่ายเมื่อความต้องการของคุณเพิ่มขึ้น ค้นพบว่า gpt-audio-1.5 สามารถยกระดับโปรเจกต์ของคุณได้อย่างไรในขณะที่ควบคุมต้นทุนให้อยู่ในระดับที่จัดการได้

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

API

คัดลอกเอนด์พอยต์และตัวอย่างโค้ดที่ใช้งานได้จริง จากนั้นเปิดเอกสารอ้างอิง API ฉบับเต็มเมื่อต้องการพารามิเตอร์ทั้งหมด

API เดียว เข้าถึงโมเดลพร้อมใช้งานจริง

ยืนยันตัวตนเพียงครั้งเดียว เรียกใช้เอนด์พอยต์ของโมเดล และคงเวิร์กโฟลว์การเรียกเก็บเงินและการตรวจสอบแบบเดียวกันในทุกผู้ให้บริการ

POST/v1/chat/completions

โค้ดตัวอย่างและ API สำหรับ gpt-audio-1.5

เข้าถึงโค้ดตัวอย่างที่ครอบคลุมและทรัพยากร API สำหรับ gpt-audio-1.5 เพื่อปรับปรุงกระบวนการผสานรวมของคุณ เอกสารประกอบที่มีรายละเอียดของเราให้คำแนะนำทีละขั้นตอน ช่วยให้คุณใช้ประโยชน์จากศักยภาพเต็มรูปแบบของ gpt-audio-1.5 ในโครงการของคุณ

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}`);

ความสามารถ

ตรวจสอบข้อมูลสำคัญของโมเดลก่อนเลือกสถาปัตยกรรมหรือประเมินภาระงานในโปรดักชัน

ความสามารถที่รองรับ

ฟีเจอร์ที่ส่งกลับโดย API ของโมเดลปัจจุบัน

text-to-speech

อินพุตและเอาต์พุต

อินพุต

text

เอาต์พุต

audio

โปรไฟล์การใช้งานจริง

ผู้ให้บริการ: OpenAI
บริบท: ขึ้นอยู่กับโมเดล
การใช้งานเชิงพาณิชย์: รองรับ

กรณีการใช้งาน

ใช้ gpt-audio-1.5 สำหรับเวิร์กโฟลว์ระดับโปรดักชันที่เหมาะกับความสามารถด้าน audio จากนั้นเปรียบเทียบทางเลือกอื่นก่อนตัดสินใจเชื่อมต่อระยะยาว

การสร้างเสียงพูด ดนตรี และเสียง

ประสบการณ์ด้านเสียงและการผลิตสื่อ

เวิร์กโฟลว์เสียงอัตโนมัติขนาดใหญ่

โมเดลอื่น ๆ

เปรียบเทียบโมเดลอื่น ๆ ที่มีให้บริการผ่าน CometAPI ในด้านคุณภาพ ความหน่วง ความสามารถ และราคา

เปิดการเปรียบเทียบโมเดล →

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.

ดูโมเดล

OpenAI

GPT-Realtime-2

GPT-Realtime-2 เป็นโมเดลเสียงแบบเรียลไทม์ที่มีความสามารถสูงสุดของเรา। รองรับการโต้ตอบแบบเสียงต่อเสียง พร้อมการปรับระดับความพยายามในการให้เหตุผล ความสามารถในการทำตามคำสั่งที่แม่นยำยิ่งขึ้น และการใช้เครื่องมือที่เชื่อถือได้มากขึ้น เพื่อรองรับเวิร์กโฟลว์ของเอเจนต์เสียงที่ซับซ้อน।

ดูโมเดล

OpenAI

gpt-realtime-1.5

โมเดลเสียงที่ดีที่สุดสำหรับเสียงเข้า, เสียงออก.

ดูโมเดล

OpenAI

TTS

OpenAI การแปลงข้อความเป็นคำพูด

ดูโมเดล

Kling

Kling TTS

[สังเคราะห์เสียงพูด] เปิดตัวใหม่: แปลงข้อความเป็นเสียงสำหรับออกอากาศแบบออนไลน์ พร้อมฟังก์ชันพรีวิว ● สามารถสร้าง audio_id ได้พร้อมกัน เพื่อใช้กับ Keling API ใดก็ได้.

ดูโมเดล

Kling

Kling video-to-audio

Kling แปลงวิดีโอเป็นเสียง

ดูโมเดล

Uptime

ตรวจสอบข้อมูล heartbeat แบบเรียลไทม์ ความพร้อมใช้งานของเอนด์พอยต์ และเวลาตอบสนองที่วัดได้จริงก่อนใช้งานจริง

สำรวจต่อ

เปรียบเทียบโมเดลและค้นคว้าต่อ

OpenAI

พร้อมใช้งาน

gpt-audio-1.5

gpt-audio-1.5 API

โมเดลเสียงที่ดีที่สุดสำหรับอินพุตเสียงและเอาต์พุตเสียงด้วย Chat Completions.

ราคาเริ่มต้น

$2.00 / อินพุต 1 ล้านโทเคน

คิดค่าบริการตามการใช้งาน

สถานะ API

พร้อมใช้งาน

เอนด์พอยต์สำหรับโปรดักชัน

เวลาตอบสนอง

รองรับการทำงานแบบ async

เวลาตอบสนอง API ที่วัดได้จริง

วันที่เผยแพร่

Feb 24, 2026

OpenAI

ภาพรวม

ข้อมูลจำเพาะทางเทคนิคของ gpt-audio-1.5

Item	gpt-audio-1.5 (สเปกสาธารณะ)
Model family	GPT Audio family (audio-first variant)
Input types	ข้อความ, เสียง (คำพูดขาเข้า)
Output types	ข้อความ, เสียง (คำพูดขาออก), ผลลัพธ์แบบมีโครงสร้าง (รองรับการเรียกฟังก์ชัน)
Context window	128,000 โทเค็น
Max output tokens	16,384 (มีระบุไว้ในรายการ gpt-audio ที่เกี่ยวข้อง)
Performance tier	ความฉลาดสูงกว่า; ความเร็วระดับกลาง (สมดุล)
Latency profile	ปรับให้เหมาะกับการโต้ตอบด้วยเสียง (เวลาแฝงปานกลาง/ต่ำ ขึ้นกับ endpoint)
Availability	Chat Completions API (audio in/out) และ playgrounds ของแพลตฟอร์ม; ผสานรวมทั่วช่องทางแบบเรียลไทม์/เสียง
Safety / usage notes	มีมาตรการป้องกันสำหรับเนื้อหาเสียง; ควรปฏิบัติต่อผลลัพธ์ของโมเดลด้วยมาตรฐานด้านความปลอดภัยและการตรวจสอบสำหรับเอเจนต์เสียงในสภาพแวดล้อมการผลิต

หมายเหตุ: gpt-realtime-1.5 เป็นรุ่นแบบเรียลไทม์ที่เกี่ยวข้องอย่างใกล้ชิด เน้นเสียงเป็นหลัก ปรับให้เหมาะกับเวลาแฝงที่ต่ำกว่าและเซสชันแบบเรียลไทม์; เปรียบเทียบด้านล่าง

gpt-audio-1.5 คืออะไร?

คุณสมบัติหลัก

รองรับคำพูดขาเข้า/ขาออก: รับอินพุตเป็นคำพูดและส่งคืนคำตอบเป็นคำพูดหรือข้อความเพื่อการสนทนาเสียงที่เป็นธรรมชาติ
บริบทขนาดใหญ่สำหรับเวิร์กโฟลว์เสียง: รองรับบริบทขนาดใหญ่มาก (ระบุไว้ 128k โทเค็น) เพื่อรองรับการโต้ตอบหลายรอบ ประวัติการสนทนายาว หรือเซสชันมัลติโหมดขนาดใหญ่
รองรับสตรีมมิ่งและทำงานร่วมกับ Chat Completions: ทำงานภายใน Chat Completions พร้อมการตอบเสียงแบบสตรีมและผลลัพธ์แบบมีโครงสร้างด้วยการเรียกฟังก์ชัน
สมดุลระหว่างประสิทธิภาพ/เวลาแฝง: ปรับจูนเพื่อให้คำตอบเสียงคุณภาพสูงที่อัตราผ่านข้อมูลระดับปานกลาง—เหมาะสำหรับแชตบอทและผู้ช่วยเสียงที่ให้ความสำคัญกับคุณภาพ
ระบบนิเวศและการผสานรวม: รองรับใน playgrounds ของแพลตฟอร์ม และมีให้ใช้ใน endpoints แบบเรียลไทม์/เสียงอย่างเป็นทางการและการผสานร่วมกับพาร์ทเนอร์ (เอกสารของ Azure/Microsoft Foundry อ้างถึงโมเดลเสียงที่คล้ายกัน)

gpt-audio-1.5 เทียบกับโมเดลเสียงที่เกี่ยวข้อง

Property	gpt-audio-1.5	gpt-realtime-1.5
Primary focus	เสียงเข้า/ออกคุณภาพสูงสำหรับ Chat Completions และโฟลว์การสนทนา	S2S แบบเรียลไทม์ (speech-to-speech) ที่มีเวลาแฝงต่ำกว่า สำหรับเอเจนต์เสียงสดและสถานการณ์สตรีมมิ่ง
Context window	128k โทเค็น	32k โทเค็น (รุ่นเรียลไทม์ที่ระบุไว้)
Max output tokens	16,384 (ระบุไว้)	โดยทั่วไปกำหนดให้ตอบสั้นกว่าแบบเรียลไทม์ (เอกสารระบุ max tokens ที่น้อยกว่า)
Best use	แชตบอท ผู้ช่วยที่รองรับเสียงซึ่งต้องการโครงสร้างการสนทนาแบบครบถ้วนพร้อมเสียง	เอเจนต์เสียงแบบสด คีออสก์ และอินเทอร์เฟซการสนทนาที่ต้องการเวลาแฝงต่ำ

กรณีใช้งานที่พบบ่อย

เอเจนต์เสียงเพื่อการสนทนาสำหรับฝ่ายสนับสนุนลูกค้าและศูนย์ช่วยเหลือภายใน
ผู้ช่วยที่รองรับเสียงฝังในแอป อุปกรณ์ และคีออสก์
เวิร์กโฟลว์แบบแฮนด์ฟรี (การพูดตามคำบอก, ค้นหาด้วยเสียง, การช่วยการเข้าถึง)
ประสบการณ์มัลติโหมดที่ผสมผสานเสียงกับข้อความ/รูปภาพผ่าน Chat Completions

ข้อจำกัดและข้อพิจารณาด้านการปฏิบัติการ

ไม่ใช่สิ่งทดแทน QA ของมนุษย์แบบเสียบใช้ได้ทันที: ควรตรวจสอบผลลัพธ์เสียงและการกระทำถัดไปด้วยการทบทวนโดยมนุษย์ในสภาพแวดล้อมการผลิตเสมอ
การวางแผนทรัพยากร: บริบทขนาดใหญ่และการรับ/ส่งเสียงอาจเพิ่มภาระคำนวณและเวลาแฝง—ออกแบบกลยุทธ์การสตรีม/การแบ่งช่วงสำหรับเซสชันยาว
ข้อจำกัดด้านความปลอดภัยและนโยบาย: ผลลัพธ์เสียงอาจมีอิทธิพลโน้มน้าวได้; ปฏิบัติตามแนวทางความปลอดภัยและมาตรการป้องกันของแพลตฟอร์มเมื่อปรับใช้ในวงกว้าง
วิธีเข้าถึง GPT Audio 1.5 API

ขั้นตอนที่ 1: ลงทะเบียนเพื่อรับ API Key

cometapi-key

ขั้นตอนที่ 2: ส่งคำขอไปยัง GPT Audio 1.5 API

ขั้นตอนที่ 3: ดึงผลลัพธ์และตรวจสอบความถูกต้อง

คำถามที่พบบ่อย

ราคา

คำขอแรก

$0.01

ค่าใช้จ่ายโดยประมาณของ CometAPI

สิบคำขอ

$0.1

ค่าใช้จ่ายโดยประมาณของ CometAPI

สิบห้าคำขอ

$0.15

ค่าใช้จ่ายโดยประมาณของ CometAPI

ราคาสำหรับ gpt-audio-1.5

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

API

API เดียว เข้าถึงโมเดลพร้อมใช้งานจริง

POST/v1/chat/completions

โค้ดตัวอย่างและ API สำหรับ 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}`);

ความสามารถ

ความสามารถที่รองรับ

ฟีเจอร์ที่ส่งกลับโดย API ของโมเดลปัจจุบัน

text-to-speech

อินพุตและเอาต์พุต

อินพุต

text

เอาต์พุต

audio

โปรไฟล์การใช้งานจริง

ผู้ให้บริการ: OpenAI
บริบท: ขึ้นอยู่กับโมเดล
การใช้งานเชิงพาณิชย์: รองรับ

กรณีการใช้งาน

การสร้างเสียงพูด ดนตรี และเสียง

ประสบการณ์ด้านเสียงและการผลิตสื่อ

เวิร์กโฟลว์เสียงอัตโนมัติขนาดใหญ่

โมเดลอื่น ๆ

เปิดการเปรียบเทียบโมเดล →

โมเดลเสียงที่ดีที่สุดสำหรับเสียงเข้า, เสียงออก.

ดูโมเดล

OpenAI

TTS

OpenAI การแปลงข้อความเป็นคำพูด

Kling แปลงวิดีโอเป็นเสียง

ดูโมเดล

Uptime

สำรวจต่อ