OpenAI: GPT Audio Mini

GPT Audio Mini to model audio od OpenAI, oferowany jako mniejsza, tańsza wersja GPT Audio. Należy do kategorii audio i obejmuje również tekst, więc jest przeznaczony do zadań, w których liczy się mowa wejściowa i wyjściowa, a nie tylko rozmowa tekstowa. Identyfikator modelu w api14 to openai/gpt-audio-mini, a data wydania przez dostawcę to 2026-01-19. W porównaniu z większą linią GPT Audio ten snapshot używa ulepszonego dekodera dla bardziej naturalnie brzmiących głosów i zachowuje lepszą spójność głosu.

Model przyjmuje tekst i audio jako dane wejściowe i może generować tekst oraz audio jako dane wyjściowe. Jego okno kontekstu wynosi 128 000 tokenów, a maksymalne wyjście to 16 384 tokeny. Ta kombinacja oznacza, że możesz przekazać dość długą rozmowę lub obszerny transkrypt pochodzący z audio razem z samym audio, a następnie otrzymać odpowiedź pisemną lub mówioną. Obsługiwane parametry obejmują temperature, top_p, max_tokens, stop, seed, frequency_penalty, presence_penalty, logit_bias, logprobs i top_logprobs, więc dostępne są kontrolki próbkowania i powtarzalności, wraz ze structured_outputs, response_format, tools i tool_choice dla ukształtowanych odpowiedzi i wywoływania funkcji.

Te możliwości wskazują na kilka praktycznych wzorców. Asystenci głosowi i agenci interaktywni są oczywistym zastosowaniem, ponieważ model obsługuje obie strony wymiany mówionej i zachowuje spójność głosu między turami. Przepływy pracy w stylu transkrypcji, które wymagają odpowiedzi mówionej, a nie tylko tekstu, również działają, podobnie jak funkcje dostępności, które czytają treść na głos naturalnym głosem. Ponieważ wywoływanie narzędzi i ustrukturyzowane wyjścia są obsługiwane, możesz budować interfejsy audio, które wyzwalają funkcje backendu, na przykład agent telefoniczny, który rezerwuje wizyty lub sprawdza status zamówienia i odpowiada głosowo. Długi kontekst pomaga w sesjach wieloturaowych lub gdy model potrzebuje dużego transkryptu przed sobą.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu openai/gpt-audio-mini. Skieruj swój istniejący OpenAI SDK lub klienta HTTP na bazowy URL api14, wyślij żądanie ukończenia czatu z tym identyfikatorem i dołącz treść audio w wiadomościach, gdzie to potrzebne. Treść żądania przyjmuje frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs i top_p. Ustaw response_format, gdy chcesz określony kształt wyjścia, i użyj tools z tool_choice, gdy model powinien wywoływać funkcje. Tabela cen na stronie pokazuje aktualne stawki.

Jedna rzecz do rozważenia to długość wyjścia: 16 384 tokeny to górny limit dla pojedynczej odpowiedzi, więc bardzo długie odpowiedzi mówione lub generacje o długości całej książki audio lepiej podzielić na segmenty. Jeśli twoje zadanie jest czysto tekstowe, model tylko tekstowy może być prostszy, a jeśli potrzebujesz najwyższej jakości audio, jaką oferuje OpenAI, alternatywą jest pełny model GPT Audio. W przeciwnym razie ten wariant mini obejmuje te same modalności wejściowe i wyjściowe w mniejszej skali.