OpenAI: GPT Audio

GPT Audio é um modelo da OpenAI listado na api14 sob o identificador openai/gpt-audio. Ele está na categoria de áudio e é o primeiro modelo de áudio disponível geralmente da OpenAI. A snapshot inclui um decodificador atualizado com o objetivo de produzir vozes com som mais natural, e mantém melhor consistência de voz do que trabalhos de áudio anteriores do mesmo provedor. Se você está construindo algo que precisa falar ou ouvir em vez de apenas ler e escrever texto, este é o modelo que a OpenAI posiciona para essa tarefa.

O modelo aceita tanto texto quanto áudio como entrada, e pode retornar tanto texto quanto áudio como saída. Essa capacidade bidirecional é o principal fator que o separa de um modelo puramente de texto: você pode enviar áudio e obter uma transcrição ou uma resposta, ou enviar texto e receber fala sintetizada de volta. A janela de contexto é de 128000 tokens, o que é grande o suficiente para conter conversas longas ou transcrições de áudio extensas junto com instruções e turnos anteriores. A saída máxima é de 16384 tokens, então as respostas, incluindo qualquer conteúdo de áudio gerado, são limitadas por esse número.

Os usos práticos decorrem diretamente dessas modalidades. Assistentes de voz e agentes conversacionais são o encaixe óbvio, já que o modelo pode receber entrada falada e responder em fala enquanto mantém uma voz consistente entre os turnos. Tarefas de transcrição e compreensão de áudio também funcionam, incluindo resumir uma gravação ou responder perguntas sobre o que foi dito. Como ele também lida com saída de texto, você pode usá-lo para aplicações no estilo chat em que alguns usuários digitam e outros falam, sem executar dois pipelines separados. O decodificador atualizado importa mais onde a qualidade e a consistência da voz são perceptíveis para os usuários finais, como em agentes voltados ao cliente ou conteúdo narrado.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo openai/gpt-audio, então SDKs e clientes OpenAI existentes funcionam com apenas uma mudança de URL base e chave. Os parâmetros de requisição suportados são frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs e top_p. Chamada de ferramentas e saídas estruturadas estão disponíveis, o que significa que você pode conectar o modelo a fluxos de chamada de função ou restringir sua saída de texto a um schema. O parâmetro seed ajuda quando você quer resultados repetíveis, e response_format permite direcionar o formato da resposta.

Tenha em mente o teto de saída: 16384 tokens é generoso para conversação, mas não ilimitado, então áudio gerado muito longo ou documentos extensos podem precisar ser divididos entre chamadas. Se sua tarefa é puramente de texto e nunca toca em áudio, um modelo dedicado a texto pode ser uma escolha mais simples e mais previsível, já que as capacidades de áudio aqui são o que justifica recorrer a este modelo. Para qualquer coisa que genuinamente precise de fala como entrada ou fala como saída, GPT Audio é a opção direta na api14.