OpenAI: GPT Audio

GPT Audio est un modèle OpenAI listé sur api14 sous l'identifiant openai/gpt-audio. Il se situe dans la catégorie audio et c'est le premier modèle audio généralement disponible d'OpenAI. Le snapshot inclut un décodeur amélioré destiné à produire des voix plus naturelles, et il maintient une meilleure cohérence vocale que les travaux audio antérieurs du même fournisseur. Si vous construisez quelque chose qui doit parler ou écouter plutôt que seulement lire et écrire du texte, c'est le modèle qu'OpenAI positionne pour ce travail.

Le modèle accepte à la fois le texte et l'audio en entrée, et il peut renvoyer à la fois du texte et de l'audio en sortie. Cette capacité bidirectionnelle est ce qui le distingue principalement d'un modèle purement textuel : vous pouvez envoyer de l'audio et obtenir une transcription ou une réponse, ou envoyer du texte et obtenir de la parole synthétisée en retour. La fenêtre de contexte est de 128000 tokens, ce qui est suffisamment grand pour contenir de longues conversations ou de longues transcriptions audio accompagnées d'instructions et de tours précédents. La sortie maximale est de 16384 tokens, donc les réponses, y compris tout contenu audio généré, sont limitées par ce chiffre.

Les usages pratiques découlent directement de ces modalités. Les assistants vocaux et les agents conversationnels sont le choix évident, puisque le modèle peut prendre une entrée parlée et répondre vocalement tout en conservant une voix cohérente d'un tour à l'autre. Les tâches de transcription et de compréhension audio fonctionnent aussi, notamment résumer un enregistrement ou répondre à des questions sur ce qui a été dit. Comme il gère aussi la sortie texte, vous pouvez l'utiliser pour des applications de type chat où certains utilisateurs tapent et d'autres parlent, sans faire tourner deux pipelines séparés. Le décodeur amélioré compte surtout là où la qualité et la cohérence de la voix sont perceptibles pour les utilisateurs finaux, comme les agents destinés aux clients ou le contenu narré.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle openai/gpt-audio, donc les SDK et clients OpenAI existants fonctionnent avec seulement un changement d'URL de base et de clé. Les paramètres de requête pris en charge sont frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs et top_p. L'appel d'outils et les sorties structurées sont disponibles, ce qui signifie que vous pouvez intégrer le modèle dans des flux d'appel de fonctions ou contraindre sa sortie texte à un schéma. Le paramètre seed aide lorsque vous voulez des résultats reproductibles, et response_format vous permet d'orienter la forme de la réponse.

Gardez le plafond de sortie à l'esprit : 16384 tokens est généreux pour la conversation mais pas illimité, donc de l'audio généré très long ou des documents étendus peuvent devoir être découpés en plusieurs appels. Si votre tâche est purement textuelle et ne touche jamais à l'audio, un modèle textuel dédié peut être un choix plus simple et plus prévisible, puisque les capacités audio ici sont ce qui justifie de recourir à ce modèle. Pour tout ce qui a réellement besoin de parole en entrée ou en sortie, GPT Audio est l'option directe sur api14.