OpenAI: GPT Audio

Модель OpenAI, которая принимает на вход текст и речь и отвечает текстом или озвученным голосом в одном запросе, без отдельных этапов распознавания и синтеза.

Модель OpenAI: GPT Audio доступна через API Apikley из России без VPN, с оплатой в рублях.

Автор
OpenAI
ID модели
openai/gpt-audio
Модальности
аудио, текст → аудио, текст
Вход
6 750 кредитов / 1M токенов · 675 ₽ / 1M токенов · 1 ₽ = 10 кредитов
Выход
27 000 кредитов / 1M токенов · 2 700 ₽ / 1M токенов · 1 ₽ = 10 кредитов
Дата релиза
19.01.2026
Доступность
Нет свежих данных проверки

Модальности: Аудио · Текст

Описание

GPT Audio обрабатывает звук напрямую: на вход идут текст и аудио, на выходе можно получить текст, аудио или то и другое сразу. Отдельные модели распознавания речи и синтеза голоса не нужны: диалог идёт одним запросом к одной модели. По описанию OpenAI, актуальный снимок получил улучшенный декодер: голоса звучат естественнее, а единообразие голоса сохраняется лучше. Контекст составляет 128 тысяч токенов, ответ ограничен 16 384 токенами, знания заканчиваются в октябре 2023 года. Модель умеет вызывать функции и возвращать структурированный вывод, так что голосовой диалог можно связать с внешними сервисами: запросить статус заказа или записать клиента на приём. Модель находится в верхней трети каталога, что стоит учитывать при больших объёмах аудио.

Кому подходит

  • Командам, которые строят голосовые интерфейсы без отдельных моделей распознавания и синтеза
  • Сервисам, где голосовой диалог должен вызывать внешние функции
  • Задачам, где нужен и звук, и текстовая расшифровка ответа

Ограничения

  • Изображения на вход не принимаются: только текст и аудио
  • Ответ не длиннее 16 384 токенов, длинную озвучку придётся делить на части
  • Знания заканчиваются в октябре 2023 года: о более поздних событиях модель не знает

Сценарии использования

  • Голосовой помощник для колл-центра — Разработчик собирает бота, который слушает реплику клиента, вызывает функцию поиска заказа и отвечает голосом без промежуточного распознавания.
  • Озвучка ответов в приложении — Продакт добавляет в мобильное приложение режим, где ассистент отвечает живым голосом, а текст ответа остаётся доступен для показа на экране.
  • Разбор записанных звонков — Аналитик передаёт запись разговора вместе с текстовой инструкцией и получает краткую выжимку: договорённости, возражения, следующие шаги.
  • Языковой тренажёр с голосом — Автор обучающего сервиса делает собеседника, который слышит произношение ученика и отвечает устно в том же диалоге.

OpenAI: GPT Audio API: как подключить

OpenAI-совместимый API: POST https://api.apikley.ru/v1/chat/completions, ID модели openai/gpt-audio. Подойдёт официальный SDK OpenAI с базовым адресом https://api.apikley.ru/v1.

cURL

curl https://api.apikley.ru/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
  "model": "openai/gpt-audio",
  "messages": [
    {
      "role": "user",
      "content": "Объясните, что такое API, в двух предложениях."
    }
  ]
}'

Python

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apikley.ru/v1")

response = client.chat.completions.create(
    model="openai/gpt-audio",
    messages=[{"role": "user", "content": "Объясните, что такое API, в двух предложениях."}],
)
print(response.choices[0].message.content)

Быстрый старт · Chat Completions: параметры и ответы

Другие модели OpenAI

Все модели OpenAI

Похожие модели

FAQ

Чем GPT Audio отличается от связки распознавания речи и языковой модели?

GPT Audio принимает аудио напрямую и сам отвечает голосом, поэтому цепочка из нескольких моделей заменяется одним запросом.

Принимает ли GPT Audio изображения или видео?

Нет, на вход принимаются только текст и аудио. Для задач с картинками нужна другая модель, например мультимодальная текстовая.

Умеет ли GPT Audio вызывать функции?

Да, модель поддерживает вызов функций и структурированный вывод по JSON-схеме. Голосовой диалог можно связать с вашими сервисами, как и в текстовом чате.

Хватит ли контекста на длинную запись разговора?

Контекст модели составляет 128 тысяч токенов, и этого достаточно для многих записей, но сколько минут записи это даёт, зависит от того, во сколько токенов превращается звук. Проверьте длину на своих файлах.

Чем GPT Audio отличается от версии Mini?

OpenAI называет Mini экономичной версией GPT Audio. Модальности, окно контекста и предел ответа у обеих совпадают, поэтому разницу стоит проверять на своих записях.

Все AI-модели каталога Apikley — доступ через API из России, оплата в рублях, без VPN.