OpenAI Audio-API: Funktionen, Preise und Anwendung

AUDIO-API-HANDBUCH · AKTUALISIERT AM 29. SEPTEMBER 2026

Möchten Sie eine Aufnahme in Text umwandeln, ein Video mit einem Voice-Over versehen oder Ihren Kunden die Möglichkeit geben, mit einem KI-Assistenten zu sprechen? Die OpenAI-Audio-API bietet Entwicklern verschiedene Möglichkeiten zur Sprachverarbeitung, wobei für jeden Auftrag ein anderes Modell, eine andere Anfrage und eine andere Abrechnungseinheit zum Einsatz kommen.

Beginnen Sie mit der Aufgabe, die Sie erledigen möchten. Im Folgenden finden Sie die wichtigsten Endpunkte, die derzeit verfügbaren Modelloptionen, Python-Beispiele und Preisberechnungen. Falls Ihre App außerdem Stimmen, Chat-Modelle, Bilder oder Videos anderer Anbieter benötigt, dann GlobalGPT-API bietet einen weiteren Ansatz: einen einzigen API-Zugangspunkt, über den Audioaufgaben neben diesen Diensten ausgeführt werden können.

Was ist die OpenAI-Audio-API?

Die OpenAI-Audio-API ist eine Sammlung von Entwickler-Schnittstellen zur Verarbeitung und Erzeugung von Sprache. Ihre Anwendung sendet Text oder Audio an OpenAI, wählt ein Modell aus und erhält im Gegenzug gesprochene Audioinhalte oder Text zurück. Sie kann als Grundlage für eine Transkriptions-App, einen vorgelesenen Artikel, ein Untertitel-Tool oder die Sprachfunktionen eines größeren Assistenten dienen.

OpenAIs Audio-API-Referenz trennt Sprachgenerierung, Transkription und Übersetzung voneinander. Dies sind nützliche Bausteine: Die Transkription wandelt eine Aufnahme in Wörter um; ein separates Textmodell kann diese Wörter in eine Zusammenfassung umwandeln, und ein Sprachmodell kann die Zusammenfassung vorlesen.

ChatGPT ist eine Anwendung, die Sie direkt nutzen können; über die API können Sie Modelle in Ihre eigene Anwendung integrieren. Wenn Sie nur mit ChatGPT kommunizieren möchten, beginnen Sie mit ChatGPT Sprachzugang und Beschränkungen. Ein API-Projekt erfordert ein eigenes Budget für die Einrichtung und Nutzung.

Welchen Audio-Endpunkt und welches Modell sollten Sie verwenden?

Wählen Sie die für Ihre Anwendung geeignete Ausgabeform aus. Eine Untertiteldatei, ein Transkript mit Sprecherangaben und ein Live-Gespräch sind unterschiedliche Ergebnisse, auch wenn alle drei damit beginnen, dass jemand spricht.

Der aktuelle Leitfaden zur Transkription von Akten empfiehlt gpt-transcribe für normale Aufnahmen. Für ein Podcast-Transkript fangen Sie dort an. Wenn Sie Zeitstempel für einzelne Wörter oder Untertitelformate benötigen, prüfen Sie vor der Auswahl eines Modells die modellspezifischen Optionen; die Unterstützung variiert.

Das Streamen von Sprache unterscheidet sich von einem Live-Gespräch

Beim Streaming von Text-to-Speech wird die Wiedergabe einer Antwort bereits gestartet, bevor die Generierung der gesamten Audiodatei abgeschlossen ist. Diese Funktion ermöglicht es Ihrer App jedoch nicht, Unterbrechungen durch den Benutzer zu erkennen oder einen laufenden Anruf zu verwalten. Ebenso wird durch das Streaming eines Transkripts aus einer fertigen Datei keine Live-Mikrofonsitzung eingerichtet.

Für eine neue App mit Sprachassistenz bietet OpenAI Audio- und Sprachführung verweist auf GPT-Live. Das Sprachmodell übernimmt die Konversation, während ein Backend-Agent Recherchen durchführt oder Tools nutzt. Die Echtzeit-API bleibt eine separate Option, wenn Sie deren Sitzungs- und Tool-Modell benötigen.

So verwenden Sie die OpenAI-Audio-API

Erstellen Sie für die folgenden Beispiele ein OpenAI-API-Projekt, konfigurieren Sie die API-Abrechnung und speichern Sie Ihren Schlüssel in der OPENAI_API_KEY Umgebungsvariable auf Ihrem Server oder Ihrem lokalen Entwicklungsrechner. Installieren Sie das Python-SDK mit pip install openai. Geben Sie keinen permanenten API-Schlüssel auf einer öffentlichen Webseite oder in einem mobilen App-Bundle an.

Beginnen Sie mit einer kurzen Datei oder einem kurzen Skript, damit Sie die Antwort überprüfen können, bevor Sie die Anfrage in Ihre Anwendung integrieren.

1. Eine Aufnahme transkribieren

Aufzeichnung speichern unter meeting.mp3, führen Sie dann dieses Skript aus demselben Ordner aus. Die zurückgegebene Text Es handelt sich um das Protokoll, nicht um eine Zusammenfassung der Sitzung oder eine Liste mit zu erledigenden Punkten.

from openai import OpenAI

client = OpenAI()

with open("meeting.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
 model="gpt-transcribe",
 file=audio_file,
    )

print(transcript.text)

Bei Produktnamen oder Fachbegriffen sollten Sie den entsprechenden Kontext angeben, anstatt zu erwarten, dass das Modell die Schreibweise errät. Der aktuelle Transkriptionsleitfaden unterstützt Aufforderung, sowie modellspezifische Schlüsselwort- und Sprachhinweise. Testen Sie diese Optionen anhand eines kurzen Beispiels aus den Aufzeichnungen, die Ihre App tatsächlich verarbeitet.

Wenn es sich bei Ihrer Quelle um ein aufgezeichnetes Demo- oder Interviewvideo handelt, finden Sie in unserem Leitfaden zu Transkription von Audio aus einem Video erläutert die Aufbereitung der Medien sowie die einzelnen Schritte vom Erhalt eines Transkripts bis zur Erstellung einer aussagekräftigen Zusammenfassung.

2. Ein Skript in eine Audioaufnahme umwandeln

Wählen Sie eine unterstützte Sprachausgabe aus und beschreiben Sie die Wiedergabe. In diesem Beispiel wird eine MP3-Datei auf Ihrem Computer gespeichert; die Datei wird nicht automatisch abgespielt.

from pathlib import Path
from openai import OpenAI

client = OpenAI()

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Ihre Besprechungszusammenfassung ist fertig. Hier sind die nächsten Schritte.",
    instructions="Sprechen Sie in ruhigem, klarem Ton und in gemächlichem Tempo.",
) as response:
    response.stream_to_file(Path("narration.mp3"))

Die Anleitung zur Text-zu-Sprache-Funktion Dokumentiert die Steuerung von Tonfall, Sprechgeschwindigkeit, Intonation und anderen Vortragsoptionen. MP3 ist das Standardausgabeformat; weitere unterstützte Formate sind WAV, PCM, Opus, AAC und FLAC. Die Auswahl an Stimmen hängt vom jeweiligen Modell ab. Bei OpenAI muss zudem ausdrücklich darauf hingewiesen werden, dass die Stimme von einer KI generiert wurde.

Für gelegentliche Sprachausgabe ziehen Sie vielleicht ein Browser-Tool dem Schreiben von Code vor. Unser Leitfaden zu Tools und Arbeitsabläufe für die Text-to-Speech-Umwandlung behandelt diesen Prozess, einschließlich der Punkte, die vor dem Export eines Voiceovers zu beachten sind.

3. Aufgezeichnete Sprache in englischen Text übersetzen

Der Übersetzungs-Endpunkt verwendet flüstern-1 und gibt englischen Text aus. Bei einer bestehenden Integration sieht die Anfrage wie folgt aus. Berücksichtigen Sie die Stilllegung im Februar 2027, bevor Sie eine neue langfristige Abhängigkeit davon aufbauen.

from openai import OpenAI

client = OpenAI()

with open("interview.mp3", "rb") as audio_file:
    translation = client.audio.translations.create(
 model="whisper-1",
 file=audio_file,
    )

print(translation.text)

Diese Anfrage liefert keine englische Synchronisation. Die Synchronisation erfordert zusätzliche Schritte, darunter die Sprachgenerierung und – je nach Projekt – die zeitliche Abstimmung sowie die Videoausrichtung. Für die Übersetzung in eine andere Zielsprache sollten Sie einen Übersetzungsansatz verwenden, der diese Sprache ausdrücklich unterstützt.

Wie viel kostet die OpenAI-Audio-API?

Es gibt keinen einheitlichen Preis für die Audio-API. Für die Transkription von Dateien, die Sprachausgabe und Live-Sitzungen gelten unterschiedliche Abrechnungseinheiten. Die folgenden Zahlen stammen aus Preise für die API von OpenAI, abgerufen am 29. September 2026. Es handelt sich um OpenAI-Gebühren, die unabhängig von den GlobalGPT-Preisen sind.

In den Transkriptionszeilen werden die von OpenAI veröffentlichten geschätzte Kosten Zahlen. Das Beispiel mit dem TTS-Token ist eine rechnerische Veranschaulichung auf der Grundlage von zwei angegebenen Gesamtwerten; es handelt sich dabei nicht um eine Vorhersage, dass ein Skript die gleiche Anzahl an Eingabe- und Ausgabetoken erzeugt. Zeichen, Text-Token und Audio-Token sind unterschiedliche Einheiten.

Um den Aufwand für ein reales Projekt abzuschätzen, sollten Sie auch den Arbeitsaufwand nach der Transkription einkalkulieren. Ein Besprechungsassistent benötigt möglicherweise ein Transkript, eine Zusammenfassung, Aktionspunkte und eine Wiedergabe der gesprochene Inhalte. Jeder Aufruf des Modells kann sich auf die Rechnung auswirken. Ein Sprachagent nutzt möglicherweise auch Such- oder andere Tools, während das Gespräch weiterläuft.

Speziell für GPT-Live gilt, dass die Seite mit den Modellpreisen trennt die Sitzungsdauer von den Kosten für das Backend-Modell und die Tools. Ein einstündiges Gespräch, das $3 für die Sprachsitzung kostet, bedeutet nicht zwangsläufig, dass die Gesamtkosten der Anwendung $3 betragen.

GlobalGPT verfügt außerdem über eine API für Audio, Chat, Bilder und Video

Wenn Audio nur ein Teil eines umfassenderen Produkts ist, bietet GlobalGPT eine nützliche Option. Seine API-Übersicht dokumentiert einen gemeinsamen Einstiegspunkt für mehrere Modellkategorien: Chat-Anfragen nutzen /v1/chat/erledigungen oder /v1/antworten, während die Erzeugung von Bildern, Videos und Audiodateien /v1/Aufgaben.

Beispielsweise könnte eine Content-App mithilfe eines Chat-Modells ein Skript entwerfen, eine Sprachaufnahme erstellen, eine Illustration generieren und ein kurzes Video produzieren. Wenn Aufbau eines Multi-Modell-Workflows, weisen Sie jedem Modell eine klare Aufgabe zu und geben Sie die überprüften Ergebnisse zwischen den einzelnen Schritten weiter.

Die Öffentlichkeit von GlobalGPT Audio-Modellkatalog Enthält Eleven v3, Eleven Multilingual v2, Qwen Audio 3.0 und Seed Audio 1.0 für sprachbezogene Anwendungen sowie Scribe und AI Note Taker für Transkriptionsaufgaben. Die für Ihre Integration verfügbaren Modelle finden Sie im API-Katalog des Kontos.

Bei längeren Skripten ist die Eleven Multilingual v2 – Testbericht behandelt die Themen Erzählung, Sprachunterstützung und die Unterschiede zu anderen ElevenLabs-Modellen.

Für kreative Audioaufnahmen, die Sprache und Umgebungsgeräusche enthalten, Der Leitfaden zu Stimmen und Soundeffekten von Seed Audio geht über das bloße Vorlesen von Texten hinaus. Wählen Sie je nach Art der Audioaufnahme, die Sie erstellen möchten.

Erste Schritte mit der GlobalGPT-API

1. Öffnen Sie den Bereich „GlobalGPT API“ und erstellen Sie einen Schlüssel unter API → API-Schlüssel → Schlüssel erstellen. Speichern Sie es sicher, sobald es angezeigt wird.
2. Lesen Sie den Modellkatalog, um die Modell-ID und den Preis für die von Ihnen benötigte Aufgabe zu finden.
3. Verwenden Sie die dokumentierten Parameter des ausgewählten Modells. Halten Sie sich an das Format für Audio-Aufgabenanfragen für /v1/Aufgaben, anstatt ein OpenAI einzufügen /audio/Sprache Nutzlast unverändert.
4. Beginnen Sie mit einem kurzen Beispiel. Überprüfen Sie die zurückgesendete Audiodatei, den Fertigstellungsstatus und die abgerechnete Nutzung, bevor Sie einen größeren Stapel verarbeiten.

Die dokumentierte API-Basis-URL lautet https://api2.glbgpt.com/ai-api/open/v1. Diese schreibgeschützte Katalogabfrage ist der Ausgangspunkt, nachdem Sie Ihren Schlüssel in GLOBALGPT_API_KEY:

curl "https://api2.glbgpt.com/ai-api/open/v1/models" \
  -H "Authorization: Bearer $GLOBALGPT_API_KEY"

Verwenden Sie den Preis, der dem von Ihnen tatsächlich ausgewählten Modell zugeordnet ist. Ein Website-Abonnementpreis für GlobalGPT, ein Guthaben und ein Minutentarif für OpenAI sind keine austauschbaren Schätzwerte für dieselbe Anfrage.

Häufige Fehler bei der Audio-API und wie man sie vermeidet

Bevor Sie sich für eine Sprachqualität entscheiden, testen Sie ein kurzes Beispiel, das Ihren tatsächlichen Wortschatz enthält: Produktnamen, Zahlen, Abkürzungen und die Sprachen, die Ihre Nutzer sprechen. Prüfen Sie bei der Transkription die Wörter und die Zuordnung zu den Sprechern. Achten Sie bei der Sprachausgabe auf Aussprache, Pausen, Sprechtempo und darauf, ob der beabsichtigte Tonfall auch in einem längeren Absatz erhalten bleibt.

Verwenden Sie Aufzeichnungen, für deren Verarbeitung Sie die Erlaubnis haben, speichern Sie Schlüssel auf einem vertrauenswürdigen Server und prüfen Sie die Datenschutzbestimmungen des Dienstes, der Ihre Audioaufnahmen empfängt. Bei einem kundenorientierten Produkt sollten Sie Hinweise zur Aufzeichnung und zur KI-Stimme in die Benutzeroberfläche integrieren.

Welche API-Route sollten Sie wählen?

Wählen Sie direkt OpenAI aus Wenn Ihre App ein bestimmtes OpenAI-Sprachmodell, eine dokumentierte Transkriptionsoption oder eine native Live-Sprachsitzung benötigt. Beginnen Sie mit dem für die Aufgabe geeigneten Modell und richten Sie die Entwicklung an dessen tatsächlichen Anforderungs- und Abrechnungsregeln aus.

Betrachten Sie GlobalGPT Wenn Ihr Produkt Audiofunktionen mit Modellen verschiedener Anbieter kombiniert oder wenn Sie neben Chat, Bildern und Videos auch die Sprachgenerierung ausprobieren möchten. Beginnen Sie mit dem API-Katalog, wählen Sie ein verfügbares Modell aus und testen Sie zunächst eine kleine Aufgabe, bevor Sie das Projekt ausweiten.

Musik, Sprechtext und Transkriptionen erfordern unterschiedliche Modellauswahlen. Unser Vergleich zu Auswahl eines Audiomodells je nach Aufgabe hilft dabei, die Erzeugung von Liedern, gesprochene Erzählungen und komplexere Audioszenen voneinander zu trennen.

Für eine einzelne Sprachaufnahme oder ein Meeting-Protokoll reicht möglicherweise ein Web-Tool aus. Eine API ist dann sinnvoll, wenn Ihre eigene Anwendung den Vorgang wiederholt auslösen, Ergebnisse an einen weiteren Schritt weiterleiten oder das Ergebnis Ihren Nutzern bereitstellen muss.

Häufig gestellte Fragen

Ist die OpenAI-Audio-API ein Modell?

Nein. Es handelt sich um eine Reihe von Audio-Schnittstellen. Für die Sprachgenerierung, die Transkription von Dateien und die Übersetzung von Dateien werden unterschiedliche Endpunkte und Modelle verwendet. GPT-Live und Realtime bieten separate, sitzungsbasierte Optionen für Live-Audio-Anwendungen.

Kann die OpenAI-Audio-API Text in Sprache umwandeln?

Ja. Der Sprach-Endpunkt akzeptiert Text, ein Modell und eine Stimme und gibt anschließend eine Audioausgabe zurück. Mit „gpt-4o-mini-tts“ können Sie außerdem Anweisungen zur Wiedergabe festlegen, beispielsweise zu Tonfall und Sprechtempo. Das Standardausgabeformat ist MP3.

Welches Modell sollte ich für eine neue Transkriptions-App verwenden?

Der aktuelle Leitfaden zur Dateitranskription von OpenAI empfiehlt „gpt-transcribe“ für allgemeine Sprachaufnahmen. Informieren Sie sich separat über spezielle Anforderungen wie Zeitstempel für einzelne Wörter, Untertitelformate oder Sprecherkennzeichnungen, da die Unterstützung je nach Modell variiert.

Wird „Whisper“ eingestellt?

OpenAI gibt bekannt, dass sein gehostetes „Whisper-1“-API-Modell am 26. Februar 2027 zusammen mit drei älteren GPT-4o-Transkriptionsmodellen aus dem Verkehr gezogen wird. Hierbei handelt es sich um die Einstellung eines API-Modells und nicht um eine Ankündigung, dass die gesamte Whisper-Software oder alle OpenAI-Audiodienste eingestellt werden.

Liefert die Audioübersetzung gesprochene Audiodaten zurück?

Nein. Der Endpunkt für die Dateiübersetzung gibt englischen Text aus der aufgezeichneten Sprache zurück. Um übersetzte Sprache zu erzeugen, benötigen Sie einen zusätzlichen Schritt zur Sprachgenerierung oder einen speziellen Sprachübersetzungsdienst.

Kann ich die Audio-API für einen Live-Sprachassistenten nutzen?

Sie können Transkription, ein Textmodell und Sprachgenerierung zu einem Sprachassistenten kombinieren, doch die Verarbeitung von Live-Dialogen erfordert zusätzliche Entwicklungsarbeit. OpenAI empfiehlt GPT-Live als Ausgangspunkt für neue sprachgesteuerte Konversationsanwendungen; außerdem wird eine separate Echtzeit-API dokumentiert.

Verfügt GlobalGPT über eine Audio-API?

Ja. Die API-Übersicht von GlobalGPT beschreibt neben der Bild- und Videogenerierung auch die Audiogenerierung über den „tasks“-Endpunkt. Der „models“-Endpunkt listet Modell-IDs und Preise auf. Überprüfen Sie vor dem Senden einer Anfrage die Verfügbarkeit und die Parameter des ausgewählten Modells.

Ist die Audio-API von GlobalGPT identisch mit der von OpenAI?

Sie dokumentieren unterschiedliche Audio-Routen: OpenAI stellt dedizierte Audio-Endpunkte bereit, während GlobalGPT die Audiogenerierung über seine Aufgaben-API leitet. Verwenden Sie die Modell-IDs und Anforderungsfelder des ausgewählten Anbieters; die Kompatibilität der OpenAI-Endpunkte und die Unterstützung für Live-Sprache müssen separat überprüft werden.