GPT-4o mini Audio Preview

gpt-4o-mini-audio-preview کی تکنیکی خصوصیات

gpt-4o-mini-audio-preview کیا ہے؟

gpt-4o-mini-audio-preview ایک کمپیکٹ ملٹی موڈل ماڈل ہے جو اُن ڈویلپرز کے لیے بنایا گیا ہے جو مکالماتی آڈیو تجربات بنانا چاہتے ہیں۔ یہ معیاری ٹیکسٹ تعاملات کے علاوہ اسپیچ ان پٹ اور اسپیچ آؤٹ پٹ دونوں کی حمایت کرتا ہے، جس سے یہ اُن ایپلیکیشنز کے لیے موزوں بنتا ہے جہاں صارفین قدرتی انداز میں بات کرتے ہیں اور بولے گئے یا تحریری جوابات کی توقع رکھتے ہیں۔

یہ ماڈل خاص طور پر اُس وقت مفید ہوتا ہے جب کسی پراڈکٹ کو خودکار اسپیچ ریکگنیشن، قدرتی زبان کی سمجھ، اور اسپیچ سنتھیسِس کو ایک ہی مکالماتی سائیکل میں یکجا کرنا ہو۔ ٹرانسکرپشن، استدلال اور ریسپانس جنریشن کو الگ الگ اجزاء کے طور پر برتنے کے بجائے، gpt-4o-mini-audio-preview مخلوط ٹیکسٹ-آڈیو مکالمات کے لیے یکجا ورک فلو فراہم کرتا ہے۔

کیونکہ یہ ٹول اور فنکشن کالنگ کی بھی حمایت کرتا ہے، اس لیے ماڈل محض گفتگو سے بڑھ کر کام انجام دے سکتا ہے۔ یہ ساختہ اقدامات ٹرگر کر سکتا ہے، جیسے اکاؤنٹ معلومات دیکھنا، کسٹمر سپورٹ درخواست کو روٹ کرنا، ریکارڈز اپڈیٹ کرنا، یا کسی بڑے ایپلیکیشن کے اندر بزنس لاجک کو کال کرنا۔ اسی باعث یہ ورچوئل اسسٹنٹس، فون سپورٹ ایجنٹس، انٹرایکٹو وائس ریسپانس سسٹمز، سمریزیشن کے ساتھ ٹرانسکرپشن پائپ لائنز، اور آڈیو فعال پراڈکٹ اسسٹنٹس جیسے پروڈکشن وائس سسٹمز کے لیے مضبوط انتخاب ہے۔

gpt-4o-mini-audio-preview کی اہم خصوصیات

• اسپیچ ان پٹ سپورٹ: آڈیو پر مبنی صارف تعاملات قبول کرتا ہے تاکہ ایپلیکیشنز بولی گئی درخواستوں کو فطری انداز میں پراسیس کر سکیں۔
• اسپیچ آؤٹ پٹ جنریشن: اسسٹنٹس، کال آٹومیشن، اور بولی گئی رہنمائی کے تجربات کے لیے آڈیو جوابات تیار کرتا ہے۔
• مخلوط ٹیکسٹ-آڈیو مکالمات: ایسے ورک فلو کی حمایت کرتا ہے جہاں کچھ ٹرنز بول کر اور کچھ تحریری ہوں، جو ہائبرڈ انٹرفیسز میں مفید ہے۔
• کمپیکٹ ملٹی موڈل ڈیزائن: ہلکے پھلکے ماڈل فٹ پرنٹ کے ساتھ آڈیو صلاحیتیں فراہم کرتا ہے، جو جواب دہ ایپلیکیشنز کے لیے موزوں ہے۔
• اسٹریمنگ جوابات: کم تاخیر کے ساتھ ریئل ٹائم تجربات جیسے لائیو اسسٹنٹس اور اسٹریمنگ ٹرانسکرپشن سسٹمز کو طاقت دیتا ہے۔
• ٹول/فنکشن کالنگ: ماڈل کو کھلے مکالمے سے آگے بڑھ کر ساختہ ٹولز یا بزنس فنکشنز کال کرنے کے قابل بناتا ہے۔
• ہدایات کی پیروی: ایپلیکیشن سطح کی رہنمائی پر عمل کرتا ہے تاکہ جوابات پراڈکٹ کے رویے اور ورک فلو تقاضوں سے ہم آہنگ رہیں۔
• ٹرانسکرپشن اور سمریزیشن ورک فلو: بولے گئے تعاملات کو ساختہ متنی آؤٹ پٹس، خلاصوں، یا ڈاؤن اسٹریم اعمال میں بدلنے کے لیے مفید۔
• IVR اور کال بوٹس کے لیے موزوں: جہاں بولی گئی بات چیت اور ٹاسک روٹنگ مرکزی حیثیت رکھتے ہوں۔
• اِن-ایپ آڈیو اسسٹنس: اُن سافٹ ویئر پراڈکٹس میں سرایت کی جا سکتی ہے جنہیں وائس سے مدد، آن بورڈنگ، یا رہنمائی کی ضرورت ہو۔

gpt-4o-mini-audio-preview تک رسائی اور انضمام کا طریقہ

مرحلہ 1: API کلید کے لیے سائن اپ کریں

gpt-4o-mini-audio-preview استعمال کرنے کے لیے سب سے پہلے CometAPI پر اکاؤنٹ بنائیں اور ڈیش بورڈ سے اپنی API کلید جنریٹ کریں۔ یہ کلید ہر درخواست کی توثیق کے لیے استعمال ہوتی ہے اور آپ کی ایپلیکیشن کو ماڈل سے محفوظ طریقے سے جوڑتی ہے۔

مرحلہ 2: gpt-4o-mini-audio-preview API کو درخواستیں بھیجیں

آڈیو ان پٹ/آؤٹ پٹ سپورٹ کے ساتھ CometAPI کے OpenAI-مطابق اینڈ پوائنٹ کا استعمال کریں۔

curl https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -d '{
    "model": "gpt-4o-mini-audio-preview",
    "modalities": ["text", "audio"],
    "audio": {
      "voice": "alloy",
      "format": "wav"
    },
    "messages": [
      {
        "role": "user",
        "content": "Tell me a short joke."
      }
    ]
  }'

مرحلہ 3: نتائج بازیافت کریں اور توثیق کریں

API ایک معیاری چیٹ کمپلیشن ریسپانس واپس کرتی ہے جس میں اضافی audio فیلڈ شامل ہوتی ہے، جس میں base64 اِنکوڈڈ آڈیو آؤٹ پٹ موجود ہوتا ہے۔ آڈیو ڈیٹا کو ڈیکوڈ کریں اور پروڈکشن استعمال سے پہلے معیار کی تصدیق کریں۔