ข้อมูลจำเพาะทางเทคนิคของ gpt-audio-1.5
| รายการ | gpt-audio-1.5 (ข้อมูลจำเพาะสาธารณะ) |
|---|---|
| ตระกูลโมเดล | ตระกูล GPT Audio (รุ่นเน้นเสียงเป็นหลัก) |
| ประเภทอินพุต | ข้อความ, เสียง (พูดเข้า) |
| ประเภทเอาต์พุต | ข้อความ, เสียง (พูดออก), เอาต์พุตเชิงโครงสร้าง (รองรับการเรียกใช้ฟังก์ชัน) |
| หน้าต่างบริบท | 128,000 โทเค็น |
| โทเค็นเอาต์พุตสูงสุด | 16,384 (ระบุไว้ในรายการ gpt-audio ที่เกี่ยวข้อง) |
| ระดับประสิทธิภาพ | ความฉลาดสูง; ความเร็วปานกลาง (สมดุล) |
| โปรไฟล์เวลาแฝง | ปรับแต่งเพื่อการโต้ตอบด้วยเสียง (เวลาแฝงระดับกลาง/ต่ำขึ้นอยู่กับเอนด์พอยต์) |
| ความพร้อมใช้งาน | Chat Completions API (เสียงเข้า/ออก) และ playgrounds ของแพลตฟอร์ม; ผสานรวมในพื้นผิวแบบเรียลไทม์/เสียง |
| หมายเหตุด้านความปลอดภัย/การใช้งาน | มาตรการป้องกันสำหรับคอนเทนต์เสียง; ควรใช้มาตรฐานความปลอดภัยและการตรวจสอบตามปกติสำหรับเอเจนต์เสียงในงานจริง |
หมายเหตุ:
gpt-realtime-1.5เป็นรุ่นที่เกี่ยวข้องอย่างใกล้ชิดซึ่งเน้นเสียง/เสียงแบบเรียลไทม์ ปรับแต่งเพื่อเวลาแฝงต่ำและเซสชันเรียลไทม์; เปรียบเทียบด้านล่าง
gpt-audio-1.5 คืออะไร?
gpt-audio-1.5 คือโมเดล GPT ที่รองรับเสียง สามารถรับทั้งคำพูดและส่งออกคำพูดผ่าน Chat Completions และ API ที่รองรับเสียงที่เกี่ยวข้อง ถูกวางตำแหน่งให้เป็นโมเดลเสียงหลักที่พร้อมใช้งานทั่วไปสำหรับสร้างเอเจนต์เสียงและประสบการณ์ที่เน้นเสียง โดยคงสมดุลระหว่างคุณภาพและความเร็ว
คุณสมบัติหลัก
- หนุนรับเสียงเข้า/เสียงออก: จัดการอินพุตแบบพูดและส่งคืนคำตอบเป็นคำพูดหรือข้อความเพื่อการสนทนาด้วยเสียงที่เป็นธรรมชาติ
- บริบทขนาดใหญ่สำหรับเวิร์กโฟลว์เสียง: รองรับบริบทขนาดใหญ่มาก (ระบุ 128k โทเค็น) สำหรับประวัติการสนทนาหลายรอบยาวๆ หรือเซสชันมัลติโหมดขนาดใหญ่
- รองรับการสตรีมและเข้ากันได้กับ Chat Completions: ทำงานภายใน Chat Completions พร้อมการสตรีมเสียงตอบกลับและเอาต์พุตแบบมีโครงสร้างที่รองรับการเรียกฟังก์ชัน
- ประสิทธิภาพ/เวลาแฝงที่สมดุล: ปรับจูนเพื่อให้เสียงตอบกลับคุณภาพสูงที่อัตราทะลุทะลวงปานกลาง—เหมาะสำหรับแชตบอทและผู้ช่วยเสียงที่ให้ความสำคัญกับคุณภาพ
- ระบบนิเวศและการผสานรวม: รองรับใน playgrounds ของแพลตฟอร์มและพร้อมใช้ในเอนด์พอยต์แบบเรียลไทม์/เสียงอย่างเป็นทางการและการผสานกับพาร์ทเนอร์ (มีบันทึกของ Azure/Microsoft Foundry อ้างอิงโมเดลเสียงที่คล้ายกัน)
gpt-audio-1.5 เทียบกับโมเดลเสียงที่เกี่ยวข้อง
| คุณสมบัติ | gpt-audio-1.5 | gpt-realtime-1.5 |
|---|---|---|
| โฟกัสหลัก | เสียงเข้า/ออกคุณภาพสูงสำหรับ Chat Completions และโฟลว์การสนทนา | S2S แบบเรียลไทม์ (speech-to-speech) ที่เวลาแฝงต่ำสำหรับเอเจนต์เสียงสดและสถานการณ์สตรีมมิง |
| หน้าต่างบริบท | 128k โทเค็น | 32k โทเค็น (ระบุสำหรับรุ่นเรียลไทม์) |
| โทเค็นเอาต์พุตสูงสุด | 16,384 (ระบุไว้) | โดยทั่วไปกำหนดให้ตอบกลับสั้นกว่าในแบบเรียลไทม์ (เอกสารระบุจำนวนโทเค็นสูงสุดที่น้อยกว่า) |
| การใช้งานที่เหมาะที่สุด | แชตบอท ผู้ช่วยที่รองรับเสียงซึ่งต้องการกลไกแชตเต็มรูปแบบพร้อมเสียง | เอเจนต์เสียงสด คีออสก์ และอินเทอร์เฟซสนทนาที่มีเวลาแฝงต่ำ |
กรณีใช้งานตัวแทน
- เอเจนต์สนทนาด้วยเสียงสำหรับงานบริการลูกค้าและศูนย์ช่วยเหลือภายใน
- ผู้ช่วยที่เปิดใช้งานด้วยเสียงฝังในแอป อุปกรณ์ และคีออสก์
- เวิร์กโฟลว์แบบแฮนด์ฟรี (การถอดความ การค้นหาด้วยเสียง การช่วยการเข้าถึง)
- ประสบการณ์มัลติโหมดที่ผสานเสียงกับข้อความ/ภาพผ่าน Chat Completions
ข้อจำกัดและข้อพิจารณาด้านการปฏิบัติการ
- ไม่ใช่ตัวแทนทดแทน QA โดยมนุษย์แบบเสียบใช้ทันที: ควรตรวจสอบผลลัพธ์เสียงและการดำเนินการถัดไปด้วยการทวนสอบโดยมนุษย์ในสภาพแวดล้อมจริงเสมอ
- การวางแผนทรัพยากร: บริบทขนาดใหญ่และอินพุต/เอาต์พุตเสียงอาจเพิ่มทรัพยากรและเวลาแฝง—ออกแบบกลยุทธ์การสตรีมหรือการแบ่งส่วนสำหรับเซสชันยาว
- ข้อกำหนดด้านความปลอดภัยและนโยบาย: เอาต์พุตเสียงมีพลังเชิงโน้มน้าว; ปฏิบัติตามแนวทางความปลอดภัยของแพลตฟอร์มและราวกั้นเมื่อปรับใช้ในวงกว้าง
- วิธีเข้าถึง GPT Audio 1.5 API
ขั้นตอนที่ 1: ลงทะเบียนรับ API Key
เข้าสู่ระบบที่ cometapi.com หากคุณยังไม่เป็นผู้ใช้ของเรา โปรดลงทะเบียนก่อน ลงชื่อเข้าใช้ CometAPI console เพื่อรับ API key สำหรับการเข้าถึงอินเทอร์เฟซ คลิก “Add Token” ที่โทเค็น API ในศูนย์ส่วนบุคคล รับ token key: sk-xxxxx และส่ง
ขั้นตอนที่ 2: ส่งคำขอไปยัง GPT Audio 1.5 API
เลือกเอนด์พอยต์ “gpt-audio-1.5” เพื่อส่งคำขอ API และตั้งค่าบอดี้ของคำขอ วิธีการและบอดี้ของคำขอสามารถดูได้จากเอกสาร API บนเว็บไซต์ของเรา เว็บไซต์ของเรายังมี Apifox สำหรับทดสอบเพื่อความสะดวกของคุณ แทนที่ <YOUR_API_KEY> ด้วย CometAPI key จริงจากบัญชีของคุณ Base URL คือ Chat Completions
ใส่คำถามหรือคำขอของคุณในฟิลด์ content—นี่คือสิ่งที่โมเดลจะตอบกลับ ประมวลผลการตอบสนองของ API เพื่อรับคำตอบที่สร้างขึ้น
ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์
ประมวลผลการตอบสนองของ API เพื่อรับคำตอบที่สร้างขึ้น หลังจากประมวลผลแล้ว API จะตอบกลับด้วยสถานะงานและข้อมูลผลลัพธ์