OpenAI: GPT Audio Mini

GPT Audio MiniはOpenAIの音声モデルで、GPT Audioのより小型でコスト効率の良いバージョンとして提供されています。音声カテゴリに属しながらテキストもカバーするため、単なるタイプによる会話だけでなく、音声入力と音声出力が重要となるワークロードを想定しています。api14でのモデルidはopenai/gpt-audio-miniで、プロバイダーのリリース日は2026-01-19です。より大型のGPT Audioラインと比較して、このスナップショットはアップグレードされたデコーダーを使用し、より自然に聞こえる声と、より良い声の一貫性を維持します。

このモデルはテキストと音声を入力として受け取り、テキストと音声を出力として生成できます。コンテキストウィンドウは128,000トークンで、最大出力は16,384トークンです。この組み合わせにより、かなり長い会話や長い音声由来のトランスクリプトを音声自体と一緒に渡し、その後で書き言葉の回答または話し言葉の回答を受け取ることができます。サポートされるパラメータにはtemperature、top_p、max_tokens、stop、seed、frequency_penalty、presence_penalty、logit_bias、logprobs、top_logprobsが含まれるため、サンプリングと再現性の制御が利用でき、さらにstructured_outputs、response_format、tools、tool_choiceにより整形された応答と関数呼び出しが可能です。

これらの機能はいくつかの実用的なパターンを示します。音声アシスタントやインタラクティブエージェントは明らかに適合します。モデルが音声によるやり取りの両側を処理し、ターンをまたいで声の一貫性を保つためです。テキストだけでなく話し言葉の返答を必要とする文字起こしスタイルのワークフローも機能し、自然な声でコンテンツを読み上げるアクセシビリティ機能も同様です。ツール呼び出しとstructured outputsがサポートされているため、バックエンド関数をトリガーする音声フロントエンドを構築できます。たとえば、予約を取ったり注文状況を調べたりして口頭で答える電話エージェントです。長いコンテキストは、マルチターンのセッションや、モデルの前に大きなトランスクリプトを置く必要がある場合に役立ちます。

これはapi14のOpenAI互換APIを通じて、モデルid openai/gpt-audio-miniを使用して呼び出します。既存のOpenAI SDKまたはHTTPクライアントをapi14のベースURLに向け、そのidでチャット補完リクエストを送信し、必要に応じてメッセージに音声コンテンツを含めます。リクエストボディはfrequency_penalty、logit_bias、logprobs、max_tokens、presence_penalty、response_format、seed、stop、structured_outputs、temperature、tool_choice、tools、top_logprobs、top_pを受け付けます。特定の出力形状が必要な場合はresponse_formatを設定し、モデルが関数を呼び出すべき場合はtoolsとtool_choiceを使用します。ページのライブ価格表には現在の料金が表示されています。

検討すべき点の1つは出力長です。16,384トークンは単一応答の上限であるため、非常に長い話し言葉の回答やオーディオブック全体ほどの長さの生成は、セグメントに分割する方が適しています。タスクが純粋にテキストであれば、テキスト専用モデルの方が簡単な場合があり、OpenAIが提供する最高の音声品質が必要であれば、完全なGPT Audioモデルが代替となります。それ以外の場合、このminiバリアントは同じ入力および出力モダリティをより小さい規模でカバーします。