ข้อมูลจำเพาะทางเทคนิคของ gpt-realtime-1.5
| รายการ | gpt-realtime-1.5 (การวางตำแหน่งสาธารณะ) |
|---|---|
| ตระกูลโมเดล | GPT Realtime 1.5 (รุ่นปรับแต่งสำหรับเสียง) |
| ชนิดสื่อหลัก | แปลงคำพูดเป็นคำพูด (S2S) |
| ประเภทอินพุต | เสียง (สตรีมมิง), ข้อความ |
| ประเภทเอาต์พุต | เสียง (สตรีมมิง), ข้อความ, การเรียกใช้เครื่องมือแบบมีโครงสร้าง |
| API | Realtime API (WebRTC / เซสชันสตรีมมิงแบบคงอยู่) |
| ลักษณะเวลาแฝง | ปรับให้เหมาะกับการโต้ตอบแบบสนทนาสดที่หน่วงต่ำ |
| รูปแบบเซสชัน | เซสชันสตรีมมิงแบบมีสถานะ |
| การใช้เครื่องมือ | รองรับการเรียกใช้ฟังก์ชันและการผสานเครื่องมือ |
| กรณีใช้งานเป้าหมาย | เอเจนต์เสียงสด, ผู้ช่วย, ระบบเชิงโต้ตอบ |
หมายเหตุ: ขีดจำกัดโทเค็นและขนาดหน้าต่างบริบทที่แน่นอนไม่ได้มีการระบุไว้อย่างเด่นชัดในสรุปสาธารณะ; โมเดลนี้ถูกวางตำแหน่งเพื่อความตอบสนองแบบเรียลไทม์ มากกว่าการรองรับเซสชันบริบทที่ยาวเป็นพิเศษ
gpt-realtime-1.5 คืออะไร?
gpt-realtime-1.5 เป็นโมเดลที่ปรับให้มีเวลาแฝงต่ำและเหมาะกับการแปลงคำพูดเป็นคำพูด ออกแบบมาสำหรับระบบสนทนาแบบสด โดยทำงานผ่านเซสชันสตรีมมิงแบบคงอยู่ ซึ่งช่วยให้เกิดการผลัดพูดตามธรรมชาติ การจัดการการขัดจังหวะ และปฏิสัมพันธ์ด้วยเสียงที่ไหลลื่นแบบไดนามิก
มันถูกสร้างขึ้นเพื่อใช้งานในแอปพลิเคชันที่ความเร็วของการไหลของบทสนทนามีความสำคัญมากกว่าความยาวบริบทสูงสุด
คุณสมบัติหลัก
- การโต้ตอบแบบคำพูดถึงคำพูดอย่างแท้จริง — รับอินพุตเสียงแบบสดและสตรีมคำตอบที่เป็นคำพูดแบบเรียลไทม์
- สถาปัตยกรรมเวลาแฝงต่ำ — ออกแบบมาเพื่อการตอบสนองระดับต่ำกว่าหนึ่งวินาทีในเอเจนต์เสียง
- ออกแบบเพื่อการสตรีมเป็นอันดับแรก — ทำงานผ่านเซสชันแบบคงอยู่ (WebRTC หรือโปรโตคอลสตรีมมิง)
- การผลัดพูดตามธรรมชาติ — รองรับการจัดการการขัดจังหวะและการไหลของบทสนทนาแบบไดนามิก
- รองรับการเรียกใช้เครื่องมือ — สามารถทริกเกอร์การเรียกใช้ฟังก์ชันแบบมีโครงสร้างระหว่างเซสชันแบบเรียลไทม์ได้
- รากฐานเอเจนต์เสียงพร้อมใช้งานจริง — สร้างขึ้นโดยเฉพาะสำหรับผู้ช่วยเชิงโต้ตอบ คีออสก์ และอุปกรณ์ฝังตัว
เกณฑ์ทดสอบและการวางตำแหน่งด้านประสิทธิภาพ
OpenAI วางตำแหน่ง gpt-realtime-1.5 ว่าเป็นพัฒนาการจากโมเดลเรียลไทม์รุ่นก่อน ด้วยความสามารถในการปฏิบัติตามคำสั่งที่ดีขึ้น เสถียรภาพระหว่างเซสชันเสียงที่ยาวขึ้น และจังหวะเสียงที่เป็นธรรมชาติมากขึ้นเมื่อเทียบกับรุ่นก่อนหน้า
แตกต่างจากโมเดลที่เน้นการเขียนโค้ด (เช่น สาย Codex) ประสิทธิภาพจะวัดจากเวลาแฝงในการสนทนา ความเป็นธรรมชาติของเสียง และเสถียรภาพของเซสชัน มากกว่าการทดสอบแบบกระดานจัดอันดับ
gpt-realtime-1.5 เทียบกับโมเดลที่เกี่ยวข้อง
| คุณลักษณะ | gpt-realtime-1.5 | gpt-audio-1.5 |
|---|---|---|
| เป้าหมายหลัก | ปฏิสัมพันธ์ด้วยเสียงแบบสด | เวิร์กโฟลว์แชทที่รองรับเสียง |
| เวลาแฝง | ปรับให้มีความหน่วงต่ำที่สุด | สมดุลระหว่างคุณภาพ/ความเร็ว |
| ชนิดเซสชัน | เซสชันสตรีมมิงแบบคงอยู่ | โฟลว์ Chat Completions มาตรฐาน |
| ขนาดบริบท | ปรับให้เหมาะกับความตอบสนอง | รองรับบริบทที่ใหญ่กว่า |
| กรณีใช้งานที่เหมาะที่สุด | เอเจนต์เสียงแบบเรียลไทม์ | ผู้ช่วยสนทนาที่รองรับเสียงและมัลติโหมด |
ควรเลือกใช้เมื่อใด
- เลือกใช้ gpt-realtime-1.5 สำหรับคอลเซ็นเตอร์ คีออสก์ พนักงานต้อนรับ AI หรือผู้ช่วยฝังตัวแบบสด
- เลือกใช้ gpt-audio-1.5 สำหรับแอปแชทที่รองรับเสียงซึ่งต้องการหน่วยความจำการสนทนาที่ยาวกว่า หรือเวิร์กโฟลว์แบบมัลติโหมด
กรณีใช้งานตัวอย่าง
- เอเจนต์คอลเซ็นเตอร์ AI
- ผู้ช่วยอุปกรณ์อัจฉริยะ
- คีออสก์แบบโต้ตอบ
- ระบบติวเตอร์สด
- เครื่องมือฝึกภาษาแบบเรียลไทม์
- แอปพลิเคชันที่ควบคุมด้วยเสียง
- วิธีเข้าถึง GPT realtime 1.5 API
ขั้นตอนที่ 1: ลงทะเบียนเพื่อรับ API Key
เข้าสู่ระบบที่ cometapi.com. หากคุณยังไม่เป็นผู้ใช้ของเรา โปรดลงทะเบียนก่อน ลงชื่อเข้าใช้ CometAPI console. รับคีย์ API สำหรับสิทธิ์เข้าถึงอินเทอร์เฟซ คลิก “Add Token” ที่ API token ในศูนย์ส่วนบุคคล รับคีย์โทเค็น: sk-xxxxx แล้วส่ง
ขั้นตอนที่ 2: ส่งคำขอไปยัง GPT realtime 1.5 API
เลือกเอ็นด์พอยต์ “gpt-realtime-1.5” เพื่อส่งคำขอ API และกำหนด request body วิธีการและ request body สำหรับคำขอสามารถดูได้จากเอกสาร API บนเว็บไซต์ของเรา เว็บไซต์ของเรายังมีการทดสอบบน Apifox เพื่อความสะดวกของคุณ แทนที่ <YOUR_API_KEY> ด้วยคีย์ CometAPI จริงจากบัญชีของคุณ base url คือ Chat Completions
ใส่คำถามหรือคำขอของคุณลงในฟิลด์ content—โมเดลจะตอบสนองต่อสิ่งนี้ ประมวลผลการตอบกลับของ API เพื่อรับคำตอบที่สร้างขึ้น
ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์
ประมวลผลการตอบกลับของ API เพื่อรับคำตอบที่สร้างขึ้น หลังจากประมวลผลแล้ว API จะตอบกลับด้วยสถานะงานและข้อมูลผลลัพธ์