OpenAI: GPT Audio Mini

GPT Audio Mini es un modelo de audio de OpenAI, ofrecido como una versión más pequeña y rentable de GPT Audio. Se sitúa en la categoría de audio y también cubre texto, por lo que está pensado para cargas de trabajo donde importan la entrada y la salida habladas, no solo la conversación escrita. El id del modelo en api14 es openai/gpt-audio-mini, y la fecha de lanzamiento del proveedor es 2026-01-19. En comparación con la línea más grande de GPT Audio, esta instantánea utiliza un decodificador mejorado para voces de sonido más natural y mantiene una mejor consistencia de voz.

El modelo acepta texto y audio como entrada y puede producir texto y audio como salida. Su ventana de contexto es de 128,000 tokens, y la salida máxima es de 16,384 tokens. Esa combinación significa que puedes pasar una conversación bastante larga o una transcripción extensa derivada de audio junto con el audio en sí, y luego recibir una respuesta escrita o una hablada. Los parámetros admitidos incluyen temperature, top_p, max_tokens, stop, seed, frequency_penalty, presence_penalty, logit_bias, logprobs y top_logprobs, por lo que están disponibles los controles de muestreo y reproducibilidad, junto con structured_outputs, response_format, tools y tool_choice para respuestas con forma definida y llamadas a funciones.

Esas capacidades apuntan a algunos patrones prácticos. Los asistentes de voz y los agentes interactivos son un encaje obvio, ya que el modelo maneja ambos lados de un intercambio hablado y mantiene la consistencia de voz entre turnos. Los flujos de trabajo de estilo transcripción que necesitan una respuesta hablada en lugar de solo texto también funcionan, al igual que las funciones de accesibilidad que leen contenido en voz alta con una voz natural. Como se admiten las llamadas a herramientas y las salidas estructuradas, puedes construir interfaces de audio que activen funciones de backend, por ejemplo un agente telefónico que reserve citas o consulte el estado de un pedido y responda verbalmente. El contexto largo ayuda para sesiones de varios turnos o cuando el modelo necesita una transcripción grande delante.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id del modelo openai/gpt-audio-mini. Apunta tu SDK de OpenAI o cliente HTTP existente a la URL base de api14, envía una solicitud de finalización de chat con ese id, e incluye contenido de audio en los mensajes donde sea necesario. El cuerpo de la solicitud acepta frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs y top_p. Establece response_format cuando quieras una forma de salida específica, y usa tools con tool_choice cuando el modelo deba llamar a funciones. La tabla de precios en vivo de la página muestra las tarifas actuales.

Un aspecto a sopesar es la longitud de salida: 16,384 tokens es el límite para una sola respuesta, por lo que las respuestas habladas muy largas o las generaciones de la longitud de un audiolibro completo es mejor dividirlas en segmentos. Si tu tarea es puramente de texto, un modelo solo de texto puede ser más sencillo, y si necesitas la mejor calidad de audio que ofrece OpenAI, el modelo GPT Audio completo es la alternativa. Por lo demás, esta variante mini cubre las mismas modalidades de entrada y salida a menor escala.