OpenAI: GPT Audio

GPT Audio, api14 üzerinde openai/gpt-audio tanımlayıcısıyla listelenen bir OpenAI modelidir. Audio kategorisinde yer alır ve OpenAI'nin genel kullanıma sunulan ilk audio modelidir. Bu sürüm, daha doğal sesli konuşmalar üretmeyi amaçlayan yükseltilmiş bir decoder içerir ve aynı sağlayıcının önceki audio çalışmalarına kıyasla daha iyi ses tutarlılığı korur. Yalnızca metin okuyup yazmak yerine konuşması veya dinlemesi gereken bir şey geliştiriyorsanız, OpenAI'nin bu iş için konumlandırdığı model budur.

Model girdi olarak hem metni hem de audioyu kabul eder ve çıktı olarak hem metin hem de audio döndürebilir. Bu iki yönlü yetenek, onu saf bir metin modelinden ayıran temel unsurdur: audio gönderip bir transkript veya yanıt alabilirsiniz ya da metin gönderip sentezlenmiş konuşma geri alabilirsiniz. Bağlam penceresi 128000 tokendır; bu, uzun konuşmaları veya uzun audio transkriptlerini talimatlar ve önceki turlarla birlikte tutmak için yeterince büyüktür. Maksimum çıktı 16384 tokendır, dolayısıyla üretilen audio içeriği de dahil olmak üzere yanıtlar bu rakamla sınırlıdır.

Pratik kullanımlar doğrudan bu modalitelerden doğar. Sesli asistanlar ve konuşma ajanları bariz uygunluktur, çünkü model sözlü girdiyi alıp turlar boyunca tutarlı bir sesi koruyarak konuşmayla yanıt verebilir. Transkripsiyon ve audio anlama görevleri de çalışır; buna bir kaydı özetlemek veya söylenenler hakkında soruları yanıtlamak dahildir. Metin çıktısını da işlediği için, bazı kullanıcıların yazdığı ve bazılarının konuştuğu sohbet tarzı uygulamalarda iki ayrı işlem hattı çalıştırmadan kullanabilirsiniz. Yükseltilmiş decoder en çok, ses kalitesinin ve tutarlılığının son kullanıcılar tarafından fark edildiği yerlerde önemlidir; örneğin müşteriye dönük ajanlarda veya anlatımlı içeriklerde.

Modele api14'ün OpenAI uyumlu API'si üzerinden openai/gpt-audio model id'sini kullanarak çağrı yaparsınız, böylece mevcut OpenAI SDK'ları ve istemcileri yalnızca bir base URL ve anahtar değişikliğiyle çalışır. Desteklenen istek parametreleri frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs ve top_p'dir. Tool calling ve structured outputs kullanılabilir; bu, modeli function calling akışlarına bağlayabileceğiniz veya metin çıktısını bir şemaya göre sınırlayabileceğiniz anlamına gelir. seed parametresi tekrarlanabilir sonuçlar istediğinizde yardımcı olur ve response_format yanıtın şeklini yönlendirmenizi sağlar.

Çıktı tavanını akılda tutun: 16384 token konuşma için cömerttir ancak sınırsız değildir, bu nedenle çok uzun üretilen audio veya uzun belgeler çağrılar arasında bölünmeyi gerektirebilir. Göreviniz tamamen metinse ve audioya hiç dokunmuyorsa, özel bir metin modeli daha basit ve daha öngörülebilir bir seçim olabilir; çünkü buradaki audio yetenekleri bu modele başvurmayı haklı çıkaran şeydir. Gerçekten konuşma girişi veya konuşma çıkışı gerektiren her şey için GPT Audio, api14 üzerindeki doğrudan seçenektir.