GUIDA ALL'API AUDIO · AGGIORNATA IL 29 SETTEMBRE 2026
Hai bisogno di trasformare una registrazione in testo, aggiungere una voce fuori campo a un video o consentire ai clienti di interagire con un assistente AI? Il API audio OpenAI offre agli sviluppatori diverse modalità per gestire il riconoscimento vocale, ma ogni attività utilizza un modello, una richiesta e un'unità di fatturazione diversi.
Inizia dall’attività che desideri portare a termine. Di seguito troverai i principali endpoint, le opzioni di modello attualmente disponibili, esempi in Python e i calcoli dei prezzi. Se la tua app necessita anche di voci, modelli di chat, immagini o video di altri fornitori, il API GlobalGPT offre un’alternativa: un unico punto di accesso all’API che integra le operazioni audio con tali servizi.
Risposta rapida: Utilizza OpenAI /v1/audio/trascrizioni per il parlato registrato, /v1/audio/discorso per il parlato sintetizzato, e /v1/audio/traduzioni per la traduzione di registrazioni in testo inglese. Per una conversazione orale in tempo reale, scegli una sessione vocale live. GlobalGPT fornisce anche un'API per le attività audio, con un proprio catalogo di modelli e un proprio formato di richiesta.
In questa pagina
Che cos’è l’API audio OpenAI?
L'API audio OpenAI è un insieme di interfacce per sviluppatori destinate all'elaborazione e alla generazione della voce. L'applicazione invia testo o audio a OpenAI, seleziona un modello e riceve in cambio audio parlato o testo. Può essere utilizzata per realizzare un'app di trascrizione, articoli con narrazione, uno strumento per i sottotitoli o le funzionalità vocali di un assistente più ampio.
OpenAI Riferimento all'API audio distingue tra generazione del parlato, trascrizione e traduzione. Si tratta di elementi costitutivi utili: la trascrizione ricava le parole da una registrazione; un modello testuale separato può trasformare quelle parole in un riassunto, mentre un modello vocale può leggere il riassunto ad alta voce.
Tre richieste, tre risultati diversi
Registrazione → trascrizione
Intervista, riunione, conferenza o promemoria vocale
/audio/trascrizioni
Testo → audio parlato
Narrazione, audio di accessibilità o risposta dell'app
/audio/discorso
Registrazione in lingua straniera → Testo in inglese
Traduzione in inglese di un discorso registrato
/audio/traduzioni
ChatGPT è un'applicazione che puoi utilizzare direttamente; l'API ti consente di aggiungere modelli alla tua applicazione. Se desideri interagire solo con ChatGPT, inizia con ChatGPT Accesso vocale e limiti. Un progetto API richiede una propria configurazione e un proprio budget per l'utilizzo.
Quale endpoint audio e quale modello dovresti utilizzare?
Scegli in base al tipo di output richiesto dalla tua applicazione. Un file di sottotitoli, una trascrizione con l'indicazione di chi parla e una conversazione dal vivo sono prodotti finali diversi, anche se tutti e tre hanno origine da qualcuno che parla.
L'attuale guida alla trascrizione dei file raccomanda gpt-transcribe per le registrazioni normali. Per la trascrizione di un podcast, inizia da lì. Se hai bisogno di indicatori temporali per le parole o di formati per i sottotitoli, controlla le opzioni specifiche del modello prima di sceglierne uno; il supporto varia a seconda del modello.
Data di migrazione da tenere presente: Elenchi OpenAI whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, e gpt-4o-transcribe-diarize per la disattivazione dell'API in data 26 febbraio 2027. Le integrazioni esistenti relative alla traduzione, ai sottotitoli e alla diarizzazione dovrebbero seguire le linee guida ufficiali sulla dismissione piuttosto che dare per scontato che un nuovo modello accetti tutti i parametri precedenti.
Il discorso in streaming è diverso da una conversazione dal vivo
La riproduzione in streaming della sintesi vocale avvia la riproduzione di una risposta prima che il file audio sia stato generato completamente. Di per sé, questa funzione non consente all’app di rilevare un’interruzione da parte dell’utente né di gestire una chiamata in corso. Allo stesso modo, la riproduzione in streaming della trascrizione di un file completato non avvia una sessione microfonica in tempo reale.
Per una nuova app vocale conversazionale, quella di OpenAI audio e audioguida rimanda a GPT-Live. Il suo modello vocale gestisce la conversazione mentre un agente in background effettua ricerche o utilizza strumenti. L'API in tempo reale rimane un'opzione a sé stante quando sono necessari il suo modello di sessione e quello degli strumenti.
Come utilizzare l'API audio OpenAI
Per gli esempi riportati di seguito, crea un progetto API OpenAI, configura la fatturazione dell’API e conserva la tua chiave nel OPENAI_API_KEY variabile d'ambiente sul server o sulla macchina di sviluppo locale. Installa l'SDK di Python con pip install openai. Non inserire una chiave API permanente in una pagina web pubblica o nel pacchetto di un'app mobile.
Inizia con un file o uno script di piccole dimensioni, in modo da poter verificare la risposta prima di integrare la richiesta nella tua applicazione.
1. Trascrivere una registrazione
Salva una registrazione come meeting.mp3, quindi esegui questo script dalla stessa cartella. Il risultato restituito testo Si tratta della trascrizione, non di un resoconto della riunione né di un elenco di azioni da intraprendere.
da 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)Per i nomi dei prodotti o il vocabolario di settore, fornite un contesto pertinente invece di aspettarvi che il modello indovini l'ortografia. L'attuale guida alla trascrizione supporta tempestivamente, oltre a suggerimenti relativi alle parole chiave e alla lingua specifici per il modello. Prova queste opzioni su un breve campione tratto dalle registrazioni effettivamente gestite dalla tua app.
Se la tua fonte è una demo registrata o un video di un'intervista, la nostra guida su trascrizione dell'audio di un video spiega come preparare il materiale e le fasi che intercorrono tra l'ottenimento di una trascrizione e la produzione di un riassunto utile.
2. Trasformare un copione in un file audio parlato
Scegli un formato audio supportato e descrivi la procedura di esportazione. In questo esempio viene creato un file MP3 sul tuo computer; il file non viene riprodotto automaticamente.
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="Il riepilogo della riunione è pronto. Ecco i prossimi passi.",
instructions="Usa un tono calmo e chiaro e un ritmo misurato.",
) as response:
response.stream_to_file(Path("narration.mp3"))Il Guida alla sintesi vocale controlli relativi al tono, alla velocità, all'intonazione e ad altre opzioni di riproduzione. Il formato MP3 è quello predefinito; altri formati supportati includono WAV, PCM, Opus, AAC e FLAC. Le opzioni relative alla voce dipendono dal modello. Il modello OpenAI richiede inoltre che venga chiaramente indicato che la voce è generata dall'intelligenza artificiale.
Per una narrazione occasionale, potresti preferire uno strumento basato su browser piuttosto che scrivere codice. La nostra guida a strumenti e flussi di lavoro per la sintesi vocale tratta questo argomento, spiegando anche cosa verificare prima di esportare una voce fuori campo.
3. Tradurre il discorso registrato in testo inglese
L'endpoint di traduzione utilizza whisper-1 e restituisce un testo in inglese. Per un'integrazione già esistente, la richiesta si presenta in questo modo. Tieni conto del ritiro previsto per febbraio 2027 prima di creare una nuova dipendenza a lungo termine da esso.
da 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)Questa richiesta non genera un audio doppiato in inglese. Il doppiaggio richiede passaggi aggiuntivi, tra cui la generazione del parlato e, a seconda del progetto, la sincronizzazione e l'allineamento video. Per la traduzione in una lingua di destinazione diversa, utilizza un approccio di traduzione che supporti esplicitamente quella lingua.
Quanto costa l'API audio OpenAI?
Non esiste un unico prezzo per l'API Audio. La trascrizione dei file, la generazione del parlato e le sessioni in tempo reale utilizzano unità di fatturazione diverse. I dati riportati di seguito provengono da Prezzi delle API di OpenAI, verificato il 29 settembre 2026. Si tratta di tariffe OpenAI, distinte dai prezzi GlobalGPT.
Le righe di trascrizione utilizzano i dati pubblicati da OpenAI costo stimato Cifre. L'esempio del token TTS è un'illustrazione aritmetica basata su due totali di utilizzo specificati; non si tratta di una previsione secondo cui uno script produrrà lo stesso numero di token in ingresso e in uscita. I caratteri, i token di testo e i token audio sono unità diverse.
Un budget di trascrizione di 1.000 minuti
Circa 16 ore e 40 minuti di audio, secondo le stime al minuto pubblicate da OpenAI.
File registrati · gpt-transcribe · ≈ $4.50
Trascrizione in tempo reale · gpt-live-transcribe · ≈ $17.00
Per stimare il costo effettivo di un progetto, occorre considerare anche il lavoro successivo alla trascrizione. Un assistente di riunione potrebbe aver bisogno di una trascrizione, di un riassunto, di un elenco delle azioni da intraprendere e della riproduzione dell’audio. Ogni richiamo del modello può incidere sul costo finale. Un operatore telefonico potrebbe inoltre utilizzare strumenti di ricerca o altri strumenti mentre la conversazione è in corso.
Per quanto riguarda specificatamente GPT-Live, il pagina dei prezzi dei modelli distingue la durata della sessione dai costi relativi al modello di backend e agli strumenti. Una chiamata di un’ora che costa $3 per la sessione vocale non comporta necessariamente un costo totale dell’applicazione pari a $3.
GlobalGPT dispone inoltre di un'API per audio, chat, immagini e video
Se l'audio è solo una componente di un prodotto più ampio, GlobalGPT offre un'opzione utile. La sua Panoramica sull'API rappresenta un punto di accesso comune per diverse categorie di modelli: le richieste di chat utilizzano /v1/chat/completamenti o /v1/risposte, mentre la generazione di immagini, video e audio utilizza /v1/attività.
Ad esempio, un’app di contenuti potrebbe redigere una sceneggiatura con un modello di chat, creare una traccia di narrazione, generare un’illustrazione e realizzare un breve video. Quando creazione di un flusso di lavoro multimodello, assegnare a ciascun modello un compito ben definito e trasmettere i risultati verificati da una fase all’altra.
Il pubblico di GlobalGPT catalogo dei modelli audio include Eleven v3, Eleven Multilingual v2, Qwen Audio 3.0 e Seed Audio 1.0 per la creazione di contenuti legati al parlato, oltre a Scribe e AI Note Taker per le attività di trascrizione. Consulta il catalogo API dell'account per conoscere i modelli specifici disponibili per la tua integrazione.
Per gli script più lunghi, il Recensione di Eleven Multilingual v2 tratta della narrazione, del supporto linguistico e di come questo si distingua dagli altri modelli ElevenLabs.
Per un audio creativo che includa voci e rumori ambientali, Guida alle voci e agli effetti sonori di Seed Audio affronta un compito più ampio rispetto alla semplice lettura ad alta voce di un testo. Scegli in base al tipo di contenuto audio che devi trasmettere.
Come iniziare a utilizzare l'API GlobalGPT
- Apri l'area API GlobalGPT e crea una chiave sotto API → Chiavi API → Crea chiave. Salvalo in modo sicuro quando viene visualizzato.
- Consulta il catalogo dei modelli per individuare l'ID del modello e il prezzo relativi all'attività che ti serve.
- Utilizzare i parametri documentati del modello selezionato. Attenersi al formato di richiesta delle attività audio per
/v1/attività, invece di incollare un OpenAI/audio/discorsocarico utile invariato. - Inizia con un campione breve. Verifica l'audio restituito, lo stato di completamento e l'utilizzo addebitato prima di elaborare un lotto più grande.
L'URL di base dell'API documentato è https://api2.glbgpt.com/ai-api/open/v1. Questa richiesta di catalogo in sola lettura costituisce un punto di partenza dopo aver salvato la chiave in GLOBALGPT_API_KEY:
curl "https://api2.glbgpt.com/ai-api/open/v1/models" \
-H "Authorization: Bearer $GLOBALGPT_API_KEY"Utilizza il prezzo associato al modello che scegli effettivamente. Il prezzo dell'abbonamento al sito web GlobalGPT, il saldo a credito e la tariffa al minuto OpenAI non sono preventivi intercambiabili per la stessa richiesta.
Confine di integrazione: GlobalGPT fornisce una propria API audio. La sua documentazione pubblica non indica il supporto per gli endpoint audio nativi di OpenAI, le sessioni GPT-Live o tutti i modelli di sintesi vocale di OpenAI. Se la tua app esistente dipende da una di queste funzionalità, verifica tale requisito specifico prima di cambiare fornitore.
Errori comuni nell'API audio e come evitarli
Prima di decidere in merito alla qualità della voce, prova un breve campione che includa il tuo vocabolario reale: nomi di prodotti, numeri, abbreviazioni e le lingue parlate dai tuoi utenti. Per la trascrizione, controlla le parole e l'attribuzione dei parlanti. Per la narrazione, presta attenzione alla pronuncia, alle pause, al ritmo e verifica se il tono desiderato viene mantenuto anche in un paragrafo più lungo.
Utilizza registrazioni per le quali disponi dell'autorizzazione al trattamento, conserva le chiavi su un server affidabile e verifica le condizioni relative ai dati del servizio che riceve i tuoi file audio. Nel caso di un prodotto destinato ai clienti, includi nell'interfaccia le informative relative alle registrazioni e alle voci generate dall'intelligenza artificiale.
Quale route API dovresti scegliere?
Seleziona direttamente OpenAI quando la tua app richiede uno specifico modello vocale OpenAI, un'opzione di trascrizione documentata o una sessione vocale live nativa. Inizia con il modello più adatto all'attività e progetta tenendo conto delle sue effettive regole di richiesta e fatturazione.
Si consideri GlobalGPT quando il tuo prodotto combina l'audio con modelli di diversi fornitori, oppure quando desideri esplorare la generazione vocale insieme alla chat, alle immagini e ai video. Inizia dal catalogo delle API, seleziona un modello disponibile e verifica il funzionamento con un'attività di piccole dimensioni prima di passare a una scala più ampia.
La musica, la narrazione e la trascrizione richiedono scelte diverse in termini di modelli. Il nostro confronto su scelta di un modello audio in base all'attività aiuta a distinguere la generazione delle canzoni, la narrazione parlata e le scene audio più complesse.
Per una singola registrazione vocale o la trascrizione di una riunione, uno strumento web può essere sufficiente. Un'API diventa utile quando la propria applicazione deve eseguire l'operazione ripetutamente, trasmettere i risultati a un'altra fase o fornire i risultati agli utenti.
Domande frequenti
L'API audio OpenAI è un unico modello?
No. Si tratta di una serie di interfacce audio. La generazione del parlato, la trascrizione dei file e la traduzione dei file utilizzano endpoint e modelli diversi. GPT-Live e Realtime offrono opzioni separate basate su sessioni per le applicazioni audio in tempo reale.
L'API audio OpenAI è in grado di convertire il testo in voce?
Sì. L'endpoint di sintesi vocale accetta testo, un modello e una voce, quindi restituisce un file audio. Con gpt-4o-mini-tts è anche possibile fornire istruzioni relative alla riproduzione, come il tono e il ritmo. Il formato di output predefinito è MP3.
Quale modello dovrei utilizzare per una nuova app di trascrizione?
La guida alla trascrizione dei file di OpenAI raccomanda l'uso di gpt-transcribe per le registrazioni vocali generiche. Verificare separatamente eventuali requisiti specifici, quali i timestamp delle parole, i formati dei sottotitoli o le etichette dei parlanti, poiché il supporto varia a seconda del modello.
Whisper verrà ritirato?
OpenAI indica che il proprio modello API "whisper-1" ospitato verrà ritirato il 26 febbraio 2027, insieme a tre modelli di trascrizione GPT-4o meno recenti. Si tratta del ritiro di un modello API, non di un’affermazione secondo cui tutto il software Whisper o tutti i servizi audio OpenAI verranno dismessi.
La traduzione audio restituisce un file audio parlato?
No. L'endpoint di traduzione dei file restituisce testo in inglese a partire dal parlato registrato. Per ottenere un parlato tradotto, è necessario un ulteriore passaggio di generazione del parlato oppure un servizio dedicato alla traduzione del parlato.
Posso utilizzare l'API audio per un assistente vocale in tempo reale?
È possibile integrare la trascrizione, un modello testuale e la generazione vocale in un assistente vocale, ma la gestione dei turni in tempo reale richiede una progettazione aggiuntiva. OpenAI raccomanda GPT-Live come punto di partenza per le nuove applicazioni vocali conversazionali; documenta inoltre un’API in tempo reale separata.
GlobalGPT dispone di un'API audio?
Sì. La panoramica sull'API di GlobalGPT descrive la generazione di audio tramite l'endpoint "tasks", oltre alla generazione di immagini e video. L'endpoint "models" elenca gli ID dei modelli e i relativi prezzi. Verifica la disponibilità e i parametri del modello scelto prima di inviare una richiesta.
L'API audio di GlobalGPT è identica a quella di OpenAI?
Essi documentano percorsi audio diversi: OpenAI fornisce endpoint audio dedicati, mentre GlobalGPT instrada la generazione audio tramite la propria API delle attività. Utilizzare gli ID dei modelli e i campi di richiesta del provider selezionato; la compatibilità degli endpoint OpenAI e il supporto per la voce in tempo reale devono essere verificati separatamente.
Integrare l’audio in un’app di intelligenza artificiale più ampia
Scopri l'API di GlobalGPT per le attività relative ad audio, chat, immagini e video. Consulta il catalogo dei modelli e i prezzi, quindi inizia con l'attività di cui i tuoi utenti hanno più bisogno.
