สเปกทางเทคนิคของ gpt-realtime-1.5
| รายการ | gpt-realtime-1.5 (การวางตำแหน่งสาธารณะ) |
|---|---|
| ตระกูลโมเดล | GPT Realtime 1.5 (รุ่นปรับแต่งสำหรับเสียง) |
| รูปแบบหลัก | การแปลงเสียงเป็นเสียง (S2S) |
| ชนิดอินพุต | เสียง (สตรีมมิง), ข้อความ |
| ชนิดเอาต์พุต | เสียง (สตรีมมิง), ข้อความ, การเรียกใช้เครื่องมือแบบมีโครงสร้าง |
| API | Realtime API (WebRTC / เซสชันสตรีมมิงแบบคงอยู่) |
| โปรไฟล์เวลาแฝง | ปรับให้เหมาะสำหรับเวลาแฝงต่ำในการโต้ตอบแบบสนทนาสด |
| โมเดลเซสชัน | เซสชันสตรีมมิงแบบมีสถานะ |
| การใช้เครื่องมือ | รองรับการเรียกใช้งานฟังก์ชันและการผสานรวมเครื่องมือ |
| กรณีการใช้งานเป้าหมาย | เอเจนต์เสียงแบบสด, ผู้ช่วย, ระบบเชิงโต้ตอบ |
หมายเหตุ: ขีดจำกัดโทเคนและขนาดหน้าต่างบริบทที่แน่นอนไม่ได้ถูกระบุอย่างชัดเจนในสรุปสาธารณะ; โมเดลนี้มุ่งเน้นความตอบสนองแบบเรียลไทม์มากกว่าการรองรับเซสชันที่มีบริบทยาวเป็นพิเศษ
gpt-realtime-1.5 คืออะไร?
gpt-realtime-1.5 เป็นโมเดลที่ปรับให้มีเวลาแฝงต่ำและเหมาะสำหรับการแปลงเสียงเป็นเสียง ออกแบบมาสำหรับระบบสนทนาแบบสด แตกต่างจากโมเดลแบบคำขอ-คำตอบดั้งเดิม โดยทำงานผ่านเซสชันสตรีมมิงแบบต่อเนื่อง ทำให้สามารถผลัดกันพูดอย่างเป็นธรรมชาติ จัดการการขัดจังหวะ และโต้ตอบด้วยเสียงแบบไดนามิกได้
สร้างขึ้นโดยเฉพาะสำหรับแอปพลิเคชันที่ความเร็วของการไหลของบทสนทนาสำคัญกว่าความยาวบริบทสูงสุด
คุณสมบัติหลัก
- ปฏิสัมพันธ์เสียงต่อเสียงที่แท้จริง — รับอินพุตเสียงแบบสดและสตรีมคำตอบแบบเสียงได้แบบเรียลไทม์
- สถาปัตยกรรมเวลาแฝงต่ำ — ออกแบบมาเพื่อการตอบสนองในการสนทนาภายในเสี้ยววินาทีสำหรับเอเจนต์เสียง
- การออกแบบที่ยึดการสตรีมเป็นหลัก — ทำงานผ่านเซสชันแบบต่อเนื่อง (WebRTC หรือโปรโตคอลการสตรีม)
- การผลัดกันพูดอย่างเป็นธรรมชาติ — รองรับการจัดการการขัดจังหวะและการไหลของบทสนทนาแบบไดนามิก
- รองรับการเรียกใช้เครื่องมือ — สามารถเรียกใช้ฟังก์ชันแบบมีโครงสร้างระหว่างเซสชันแบบเรียลไทม์ได้
- รากฐานเอเจนต์เสียงพร้อมใช้งานจริง — สร้างขึ้นเฉพาะสำหรับผู้ช่วยเชิงโต้ตอบ คีออสก์ และอุปกรณ์ฝังตัว
การวัดผลและการวางตำแหน่งด้านประสิทธิภาพ
OpenAI วางตำแหน่ง gpt-realtime-1.5 ว่าเป็นวิวัฒนาการจากโมเดลเรียลไทม์รุ่นก่อน โดยปรับปรุงความสามารถในการทำตามคำสั่ง เสถียรภาพระหว่างเซสชันเสียงที่ยาวขึ้น และสัททลีลาที่เป็นธรรมชาติมากขึ้นเมื่อเทียบกับรุ่นก่อนหน้า
ต่างจากโมเดลที่เน้นการเขียนโค้ด (เช่นตระกูล Codex) ประสิทธิภาพจะวัดจากเวลาแฝงในการสนทนา ความเป็นธรรมชาติของเสียง และเสถียรภาพของเซสชัน มากกว่าตัวชี้วัดแบบตารางจัดอันดับ
gpt-realtime-1.5 เทียบกับโมเดลที่เกี่ยวข้อง
| คุณสมบัติ | gpt-realtime-1.5 | gpt-audio-1.5 |
|---|---|---|
| เป้าหมายหลัก | การโต้ตอบด้วยเสียงแบบสด | เวิร์กโฟลว์แชตที่รองรับเสียง |
| เวลาแฝง | ปรับให้หน่วงต่ำที่สุด | สมดุลคุณภาพ/ความเร็ว |
| ชนิดเซสชัน | เซสชันสตรีมมิงแบบต่อเนื่อง | โฟลว์ Chat Completions มาตรฐาน |
| ขนาดบริบท | ปรับเพื่อการตอบสนองฉับไว | รองรับบริบทที่ใหญ่กว่า |
| กรณีใช้งานที่เหมาะที่สุด | เอเจนต์เสียงแบบเรียลไทม์ | ผู้ช่วยสนทนาที่รองรับเสียง |
ควรเลือกใช้งานเมื่อใด
- เลือกใช้ gpt-realtime-1.5 สำหรับคอลเซ็นเตอร์ คีออสก์ พนักงานต้อนรับ AI หรือผู้ช่วยฝังตัวแบบสด
- เลือกใช้ gpt-audio-1.5 สำหรับแอปแชตที่รองรับเสียงซึ่งต้องการความจำบทสนทนาที่ยาวขึ้นหรือเวิร์กโฟลว์มัลติโหมด
กรณีใช้งานที่เป็นตัวอย่าง
- เอเจนต์คอลเซ็นเตอร์ AI
- ผู้ช่วยบนอุปกรณ์อัจฉริยะ
- คีออสก์เชิงโต้ตอบ
- ระบบสอนสด
- เครื่องมือฝึกภาษาแบบเรียลไทม์
- แอปพลิเคชันสั่งงานด้วยเสียง
- วิธีเข้าถึง GPT realtime 1.5 API
ขั้นตอนที่ 1: สมัครรับ API Key
เข้าสู่ระบบที่ cometapi.com หากคุณยังไม่เป็นผู้ใช้ของเรา โปรดลงทะเบียนก่อน ลงชื่อเข้าใช้ CometAPI console รับ API key สำหรับการเข้าถึงอินเทอร์เฟซ คลิก “Add Token” ที่ API token ในศูนย์ส่วนบุคคล รับ token key: sk-xxxxx แล้วส่ง
ขั้นตอนที่ 2: ส่งคำขอไปยัง GPT realtime 1.5 API
เลือกเอ็นด์พอยต์ “gpt-realtime-1.5” เพื่อส่งคำขอ API และกำหนดบอดีของคำขอ วิธีการร้องขอและบอดีคำขอสามารถดูได้จากเอกสาร API บนเว็บไซต์ของเรา เว็บไซต์ของเรายังมีการทดสอบผ่าน Apifox เพื่อความสะดวกของคุณ แทนที่ <YOUR_API_KEY> ด้วยคีย์ CometAPI จริงจากบัญชีของคุณ ฐาน URL คือ Chat Completions
ใส่คำถามหรือคำขอของคุณลงในฟิลด์ content—นั่นคือสิ่งที่โมเดลจะตอบสนอง ประมวลผลการตอบกลับจาก API เพื่อรับคำตอบที่สร้างขึ้น
ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์
ประมวลผลการตอบกลับจาก API เพื่อรับคำตอบที่สร้างขึ้น หลังการประมวลผล API จะตอบกลับด้วยสถานะงานและข้อมูลผลลัพธ์