OpenAI: GPT Audio Mini

GPT Audio Mini är en ljudmodell från OpenAI, som erbjuds som en mindre och kostnadseffektiv version av GPT Audio. Den tillhör kategorin ljud och täcker även text, så den är avsedd för arbetsbelastningar där talat indata och talat utdata spelar roll, inte bara skriven konversation. Modell-id:t på api14 är openai/gpt-audio-mini, och leverantörens releasedatum är 2026-01-19. Jämfört med den större GPT Audio-linjen använder denna ögonblicksbild en uppgraderad avkodare för mer naturligt klingande röster och bibehåller bättre röstkonsekvens.

Modellen accepterar text och ljud som indata och kan producera text och ljud som utdata. Dess kontextfönster är 128 000 tokens, och maximal utdata är 16 384 tokens. Den kombinationen innebär att du kan skicka in en ganska lång konversation eller en lång ljudbaserad transkription tillsammans med själva ljudet, och sedan få antingen ett skriftligt svar eller ett talat. Parametrar som stöds inkluderar temperature, top_p, max_tokens, stop, seed, frequency_penalty, presence_penalty, logit_bias, logprobs och top_logprobs, så styrning av sampling och reproducerbarhet finns tillgänglig, tillsammans med structured_outputs, response_format, tools och tool_choice för formade svar och funktionsanrop.

Dessa funktioner pekar mot några praktiska mönster. Röstassistenter och interaktiva agenter passar uppenbart, eftersom modellen hanterar båda sidor av ett talat utbyte och behåller röstkonsekvens över turer. Transkriptionsliknande arbetsflöden som behöver ett talat svar i stället för bara text fungerar också, liksom tillgänglighetsfunktioner som läser upp innehåll med en naturlig röst. Eftersom funktionsanrop och strukturerade utdata stöds kan du bygga ljudgränssnitt som utlöser backend-funktioner, till exempel en telefonagent som bokar möten eller slår upp orderstatus och svarar verbalt. Lång kontext hjälper för sessioner med flera turer eller när modellen behöver en stor transkription framför sig.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t openai/gpt-audio-mini. Rikta din befintliga OpenAI SDK eller HTTP-klient mot api14:s bas-URL, skicka en chattkompletteringsbegäran med det id:t, och inkludera ljudinnehåll i meddelandena där det behövs. Begärans brödtext accepterar frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs och top_p. Ange response_format när du vill ha en specifik utdataform, och använd tools med tool_choice när modellen ska anropa funktioner. Sidans live-pristabell visar aktuella priser.

En sak att väga in är utdatalängden: 16 384 tokens är taket för ett enskilt svar, så mycket långa talade svar eller genereringar i hela ljudboks längd bör delas upp i segment. Om din uppgift är helt och hållet text kan en text-only-modell vara enklare, och om du behöver den starkaste ljudkvaliteten OpenAI erbjuder är den fullständiga GPT Audio-modellen alternativet. I annat fall täcker denna mini-variant samma indata- och utdatamodaliteter i mindre skala.