Choose your path
GPT-4o 音訊 API：統一的 /chat/completions 端點擴展，接受 Opus 編碼的音訊（和文字）輸入並傳回具有可配置參數（model=gpt-4o-audio-preview-、速度、溫度）的合成語音或成績單，用於批次和串流語音互動。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)GPT-4o 音訊 API： 統一的 /chat/completions 端點擴展，接受 Opus 編碼的音訊（和文字）輸入並傳回具有可設定參數的合成語音或文字記錄（模型=gpt-4o-audio-preview-<date>, speed, temperature) 進行批量和串流語音互動。
() 是 OpenAI 最新的 透過標準提供 而不是超低延遲即時通道。該變體與 GPT-4o 一樣，建立在相同的“全能”基礎上，專注於 適用於回合製對話、內容建立、輔助工具以及無需毫秒計時的代理工作流程。它繼承了 GPT-4 類別模型的所有文本推理優勢，同時添加了 管道，確定性 和新的 用於語音速率控制。
gpt-4o-audio-preview-2025-06-03speed 參數• 統一語音轉語音處理 – 音訊直接轉換為語義豐富的標記，經過推理，並重新合成，無需外部 STT/TTS 服務，從而產生 一致的音色、韻律和語境保留.
• 改進指令遵循 – 2025 年 XNUMX 月調整交付 +19 pp 傳球-1 與 2024 年 4 月的 GPT-XNUMXo 基準相比，語音命令任務的成績有所提高，減少了客戶支援和內容起草等領域的幻覺。
• 穩定工具調用 – 模型輸出 結構化 JSON 符合 OpenAI 函數呼叫模式，支援觸發後端 API（搜尋、預訂、支付） 論證準確率 >95%.
• speed 參數（0.25–4×） - 開發人員可以調節語音播放，以實現慢節奏學習、正常敘述或快速「可聽瀏覽」模式， 無 在外部重新合成文字。
• 中斷感知輪流 – 雖然不像即時版本那樣受延遲驅動，但預覽支持 部分串流媒體：令牌在計算後立即發出，以便用戶在必要時儘早中斷。
• 單堆變壓器 與所有 GPT-4o 衍生產品一樣，音訊預覽採用 統一編碼器-解碼器 其中文本和聲學標記通過相同的注意力塊，促進跨模式基礎。
• 分層音訊標記化 – 原始 16 kHz PCM → log-mel 補丁 → 粗聲學代碼 → 語意標記。這種多級壓縮實現了 頻寬減少 40–50 倍 同時保留細微差別，實現每個上下文視窗的多分鐘剪輯。
• NF4 量化權重 – 推理發生在 4 位正常浮點數 精度，與 fp16 相比，GPU 記憶體減少了一半，並且保持 70+ 串流 RTF（即時因素） 在 A100-80 GB 節點上。
• 串流注意力機制和鍵值緩存 – 滑動視窗旋轉嵌入可以在約 30 秒的語音中保持上下文，同時保持 O(L) 記憶體使用情況，非常適合播客編輯器或輔助閱讀工具。
| 識別碼 | 渠道 | 目的 | 發布日期 | 穩定性 |
|---|---|---|---|---|
| GPT-4O-音訊預覽-2025-06-03 | 聊天完成 API | 回合製音訊互動、代理任務 | 六月03 2025 | 預覽 （鼓勵回饋） |
名稱中的關鍵要素：
GPT-4o Audio API CometAPI 中的 API 定價：https://api.cometapi.com/gpt-4o-audio-preview-2025-06-03「端點傳送請求並設定請求體。請求方法和請求體可從我們網站的API文件取得。為了方便您使用，我們網站也提供了Apifox測試。有關 Comet API 中的模型存取信息，請參閱 API 文件.
有關 Comet API 中的模型價格信息，請參閱 https://api.cometapi.com/pricing.
audio/* MIME 或 base64 嵌入的 WAV 區塊 messages[].content.mode: "text" → 純文字字幕。mode: "audio" → 返回 流 帶有時間戳記的 Opus 或 µ-law 酬載。functions: 模式；模型發出 role: "function" 使用 JSON 參數；開發人員執行工具呼叫並可選擇將結果透過管道傳回。voice.speed=1.25 加速播放；安全範圍 0.25–4.0。pythonimport openai
openai.api_key = "YOUR_API_KEY"
# Single-step audio completion (batch)
with open("prompt.wav", "rb") as audio:
response = openai.ChatCompletion.create(
model="gpt-4o-audio-preview-2025-06-03",
messages=[
{"role": "system", "content": "You are a helpful voice assistant."},
{"role": "user", "content": "audio", "audio": audio}
],
temperature=0.3,
speed=1.2 # 20% faster playback
)
print(response.choices.message)
"gpt-4o-audio-preview-2025-06-03"| 公制 | 音訊預覽 | GPT-4o（純文字） | 三角洲 |
|---|---|---|---|
| 第一個令牌延遲（1 次） | 1.2小號 平均 | 0.35小號 | +0.85秒 |
| MOS（語音自然度，5分） | 4.43 | - | - |
| 指令合規性（語音） | 92％ | 73％ | +19個百分點 |
| 函數呼叫參數準確度 | 95.8％ | 87％ | +8.8個百分點 |
| 字錯誤率（隱式 STT） | 5.2％ | 不承保 | - |
| GPU 記憶體/串流 (A100-80GB) | GB 7.1 | 14 GB（fp16） | −49% |
透過聊天完成流程執行的基準測試，批量大小 = 1。
