API de áudio OpenAI: Recursos, preços e como usá-la

GUIA DA API DE ÁUDIO · ATUALIZADO EM 29 DE SETEMBRO DE 2026

Precisa transformar uma gravação em texto, adicionar uma narração a um vídeo ou permitir que os clientes conversem com um assistente de IA? O API de áudio OpenAI oferece aos desenvolvedores várias maneiras de lidar com a fala, mas cada tarefa utiliza um modelo, uma solicitação e uma unidade de cobrança diferentes.

Comece pela tarefa que você deseja concluir. Abaixo, você encontrará os principais pontos de extremidade, as opções atuais de modelos, exemplos em Python e cálculos de preços. Se seu aplicativo também precisar de vozes, modelos de chat, imagens ou vídeos de outros provedores, o API GlobalGPT oferece outra alternativa: um único ponto de entrada da API com tarefas de áudio, juntamente com esses serviços.

O que é a API de áudio OpenAI?

A API de áudio OpenAI é um conjunto de interfaces para desenvolvedores destinadas ao processamento e à geração de fala. Seu aplicativo envia texto ou áudio para o OpenAI, seleciona um modelo e recebe, em troca, áudio falado ou texto. Ela pode ser utilizada em um aplicativo de transcrição, em artigos narrados, em ferramentas de legendagem ou nas funcionalidades de fala de um assistente digital mais abrangente.

OpenAI Referência da API de áudio separa a geração de fala, a transcrição e a tradução. Esses são componentes úteis: a transcrição extrai palavras de uma gravação; um modelo de texto independente pode transformar essas palavras em um resumo, e um modelo de fala pode ler o resumo em voz alta.

O ChatGPT é um aplicativo que você pode usar diretamente; a API permite que você adicione modelos ao seu próprio aplicativo. Se você quiser apenas interagir com o ChatGPT, comece com ChatGPT Acesso por voz e limites. Um projeto de API requer um orçamento próprio para sua implantação e utilização.

Qual terminal de áudio e qual modelo você deve usar?

Escolha de acordo com o tipo de conteúdo que seu aplicativo precisa. Um arquivo de legendas, uma transcrição com identificação dos interlocutores e uma conversa ao vivo são produtos finais diferentes, mesmo que todos os três comecem com alguém falando.

A corrente guia de transcrição de arquivos recomenda gpt-transcribe para gravações comuns. Para uma transcrição de podcast, comece por aí. Se precisar de marcas de tempo por palavra ou formatos de legenda, verifique as opções específicas de cada modelo antes de escolher um; o suporte varia.

A transmissão de fala é diferente de uma conversa ao vivo

A reprodução contínua de texto para fala começa a reproduzir uma resposta antes que o arquivo de áudio seja totalmente gerado. Por si só, isso não permite que seu aplicativo detecte uma interrupção do usuário nem gerencie uma chamada em andamento. Da mesma forma, a reprodução contínua de uma transcrição a partir de um arquivo concluído não estabelece uma sessão de microfone ao vivo.

Para um novo aplicativo de voz conversacional, o OpenAI’s áudio e guia de voz aponta para o GPT-Live. Seu modelo de voz conduz a conversa enquanto um agente de back-end realiza pesquisas ou utiliza ferramentas. A API em tempo real continua sendo uma opção separada quando você precisa de seu modelo de sessão e de ferramentas.

Como usar a API de áudio OpenAI

Para os exemplos a seguir, crie um projeto de API OpenAI, configure o faturamento da API e mantenha sua chave no OPENAI_API_KEY variável de ambiente no seu servidor ou na sua máquina de desenvolvimento local. Instale o SDK do Python com pip install openai. Não coloque uma chave de API permanente em uma página da web pública ou no pacote de um aplicativo móvel.

Comece com um arquivo ou script curto para que você possa verificar a resposta antes de adicionar a solicitação ao seu aplicativo.

1. Transcrever uma gravação

Salvar uma gravação como reunião.mp3, em seguida, execute este script a partir da mesma pasta. O resultado retornado texto é a ata, e não um resumo da reunião nem uma lista de ações a serem tomadas.

from openai import OpenAI

client = OpenAI()

with open("meeting.mp3", "rb") as arquivo_de_áudio:
    transcrição = client.audio.transcriptions.create(
    model="gpt-transcribe",
    arquivo=arquivo_de_áudio,
    )

print(transcrição.text)

No caso de nomes de produtos ou termos do setor, forneça um contexto relevante, em vez de esperar que o modelo adivinhe a grafia. O guia de transcrição atual oferece suporte a prompt, além de sugestões de palavras-chave e idiomas específicas para cada modelo. Teste essas opções em uma amostra curta das gravações que seu aplicativo realmente processa.

Se a sua fonte for uma demo gravada ou um vídeo de entrevista, nosso guia para transcrição do áudio de um vídeo explica a preparação do material e as etapas entre a obtenção de uma transcrição e a elaboração de um resumo útil.

2. Transformar um roteiro em áudio falado

Escolha uma voz compatível e descreva a forma de reprodução. Este exemplo grava um arquivo MP3 no seu computador; ele não reproduz o arquivo 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="O resumo da sua reunião está pronto. Aqui estão os próximos passos.",
    instructions="Use um tom calmo e claro e um ritmo moderado.",
) as response:
    response.stream_to_file(Path("narration.mp3"))

O guia de conversão de texto em fala controla o tom, a velocidade, a entonação e outras opções de reprodução. O MP3 é o formato padrão de saída; outros formatos compatíveis incluem WAV, PCM, Opus, AAC e FLAC. As opções de voz dependem do modelo. O OpenAI também exige uma indicação clara de que a voz é gerada por IA.

Para narrações ocasionais, talvez você prefira usar uma ferramenta do navegador em vez de escrever código. Nosso guia sobre ferramentas e fluxos de trabalho de conversão de texto em fala aborda esse processo, incluindo o que verificar antes de exportar uma narração.

3. Traduzir a fala gravada para texto em inglês

O endpoint de tradução utiliza sussurro-1 e gera um texto em inglês. Para uma integração já existente, a solicitação fica assim. Leve em conta a aposentadoria prevista para fevereiro de 2027 antes de criar uma nova dependência de longo prazo em relação a ela.

from openai import OpenAI

client = OpenAI()

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

print(tradução.text)

Esta solicitação não gera áudio dublado em inglês. A dublagem requer etapas adicionais, incluindo geração de fala e, dependendo do projeto, sincronização e alinhamento de vídeo. Para tradução para um idioma de destino diferente, utilize uma abordagem de tradução que ofereça suporte explícito a esse idioma.

Quanto custa a API de áudio OpenAI?

Não existe um preço único para a API de Áudio. A transcrição de arquivos, a geração de fala e as sessões ao vivo utilizam unidades de cobrança diferentes. Os valores abaixo são provenientes de Preços da API do OpenAI, consultado em 29 de setembro de 2026. Trata-se de tarifas OpenAI, distintas dos preços GlobalGPT.

As linhas de transcrição utilizam os dados publicados pelo OpenAI custo estimado números. O exemplo do token TTS é uma ilustração aritmética baseada em dois totais de uso especificados; não se trata de uma previsão de que um script produzirá o mesmo número de tokens de entrada e de saída. Caracteres, tokens de texto e tokens de áudio são unidades diferentes.

Para fazer uma estimativa realista de um projeto, leve em conta também o trabalho após a transcrição. Um assistente de reuniões pode precisar de uma transcrição, um resumo, itens de ação e a reprodução da gravação. Cada chamada do modelo pode contribuir para o valor da fatura. Um agente de atendimento por voz também pode usar ferramentas de pesquisa ou outras ferramentas enquanto a conversa continua.

No caso específico do GPT-Live, o página de preços dos modelos separa a duração da sessão dos custos do modelo de back-end e das ferramentas. Uma chamada de uma hora que custa $3 pela sessão de voz não representa necessariamente um custo total do aplicativo de $3.

O GlobalGPT também possui uma API para áudio, bate-papo, imagens e vídeo

Se o áudio for apenas uma parte de um produto mais abrangente, o GlobalGPT oferece uma opção útil. Seu Visão geral da API documenta um ponto de entrada comum para várias categorias de modelos: as solicitações de chat utilizam /v1/chat/completions ou /v1/respostas, enquanto a geração de imagens, vídeos e áudio utiliza /v1/tarefas.

Por exemplo, um aplicativo de conteúdo pode elaborar um roteiro com um modelo de chat, criar uma trilha de narração, gerar uma ilustração e produzir um vídeo curto. Quando criação de um fluxo de trabalho multimodelo, atribua a cada modelo uma tarefa bem definida e transmita os resultados revisados entre as etapas.

O público do GlobalGPT catálogo de modelos de áudio inclui o Eleven v3, o Eleven Multilingual v2, o Qwen Audio 3.0 e o Seed Audio 1.0 para criação relacionada à fala, além do Scribe e do AI Note Taker para tarefas de transcrição. Verifique o catálogo de APIs da conta para saber quais modelos específicos estão disponíveis para a sua integração.

Para scripts mais longos, o Análise do Eleven Multilingual v2 aborda a narração, o suporte à linguagem e como isso difere de outros modelos ElevenLabs.

Para áudio criativo que inclua fala e sons de ambiente, Guia de vozes e efeitos sonoros da Seed Audio explora uma tarefa mais ampla do que apenas ler um texto em voz alta. Escolha de acordo com o tipo de áudio que você precisa produzir.

Como começar a usar a API GlobalGPT

1. Abra a área da API GlobalGPT e crie uma chave em API → Chaves de API → Criar chave. Salve-o com segurança quando ele for exibido.
2. Consulte o catálogo de modelos para encontrar o código do modelo e o preço correspondentes à tarefa que você precisa.
3. Utilize os parâmetros documentados do modelo selecionado. Siga o formato de solicitação de tarefa de áudio para /v1/tarefas, em vez de colar um OpenAI /áudio/fala carga útil inalterada.
4. Comece com uma amostra curta. Verifique o áudio gerado, o status de conclusão e o uso faturado antes de processar um lote maior.

A URL base da API documentada é https://api2.glbgpt.com/ai-api/open/v1. Essa solicitação de catálogo somente para leitura é um ponto de partida depois que você armazenar sua chave em GLOBALGPT_API_KEY:

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

Utilize o preço associado ao modelo que você realmente selecionar. O preço da assinatura do site GlobalGPT, um saldo credor e a tarifa por minuto do OpenAI não são estimativas intercambiáveis para a mesma solicitação.

Erros comuns na API de áudio e como evitá-los

Antes de decidir sobre a qualidade da voz, teste uma amostra curta que inclua seu vocabulário real: nomes de produtos, números, abreviações e os idiomas que seus usuários falam. Para a transcrição, verifique as palavras e a atribuição dos falantes. Para a narração, preste atenção à pronúncia, às pausas, ao ritmo e se o tom pretendido se mantém ao longo de um parágrafo mais extenso.

Utilize gravações para as quais tenha permissão para processar, mantenha as chaves em um servidor confiável e analise os termos de uso de dados do serviço que receberá seu áudio. No caso de um produto voltado para o cliente, inclua na interface informações sobre as gravações e o uso de voz gerada por IA.

Qual rota da API você deve escolher?

Escolha diretamente o OpenAI quando seu aplicativo precisar de um modelo de voz OpenAI específico, de uma opção de transcrição documentada ou de uma sessão de voz ao vivo nativa. Comece com o modelo adequado à tarefa e desenvolva o projeto levando em conta as regras reais de solicitação e cobrança desse modelo.

Considere GlobalGPT quando seu produto combina áudio com modelos de vários provedores, ou quando você deseja explorar a geração de voz em conjunto com chat, imagens e vídeo. Comece pelo catálogo de APIs, selecione um modelo disponível e teste uma tarefa simples antes de ampliar a escala.

Música, narração e transcrição exigem escolhas diferentes de modelos. Nossa comparação sobre escolha de um modelo de áudio de acordo com a tarefa ajuda a separar a geração de músicas, a narração falada e cenas de áudio mais complexas.

Para uma única narração ou transcrição de reunião, uma ferramenta da web pode ser suficiente. Uma API se torna útil quando seu próprio aplicativo precisa acionar a tarefa repetidamente, repassar os resultados para outra etapa ou disponibilizar o resultado aos seus usuários.

Perguntas frequentes

A API de áudio OpenAI é um único modelo?

Não. Trata-se de um conjunto de interfaces de áudio. A geração de fala, a transcrição de arquivos e a tradução de arquivos utilizam diferentes pontos de conexão e opções de modelos. O GPT-Live e o Realtime oferecem opções separadas, baseadas em sessões, para aplicações de áudio ao vivo.

A API de áudio OpenAI é capaz de converter texto em fala?

Sim. O endpoint de fala aceita texto, um modelo e uma voz, e retorna áudio. Com o gpt-4o-mini-tts, você também pode fornecer instruções sobre a forma de apresentação, como tom e ritmo. O formato padrão de saída é MP3.

Qual modelo devo usar para um novo aplicativo de transcrição?

O guia atual de transcrição de arquivos do OpenAI recomenda o uso do gpt-transcribe para gravações de fala em geral. Verifique separadamente os requisitos específicos, como marcadores de tempo para palavras, formatos de legenda ou identificações de locutores, pois o suporte varia de acordo com o modelo.

O Whisper vai ser descontinuado?

O OpenAI indica que seu modelo de API “whisper-1” hospedado será descontinuado em 26 de fevereiro de 2027, juntamente com três modelos de transcrição GPT-4o mais antigos. Trata-se da descontinuação de um modelo de API, e não de uma declaração de que todo o software Whisper ou todos os serviços de áudio OpenAI serão encerrados.

A tradução de áudio gera um áudio falado?

Não. O endpoint de tradução de arquivos retorna texto em inglês a partir da fala gravada. Para gerar fala traduzida, é necessária uma etapa adicional de geração de fala ou um serviço dedicado de tradução de fala.

Posso usar a API de Áudio para um assistente de voz em tempo real?

É possível combinar transcrição, um modelo de texto e geração de fala em um assistente de voz, mas o gerenciamento de turnos em tempo real requer um projeto específico. A OpenAI recomenda o GPT-Live como ponto de partida para novos aplicativos de voz conversacionais; além disso, documenta uma API em tempo real separada.

O GlobalGPT possui uma API de áudio?

Sim. A visão geral da API do GlobalGPT descreve a geração de áudio por meio do endpoint “tasks”, além da geração de imagens e vídeos. O endpoint “models” lista os IDs dos modelos e os preços. Verifique a disponibilidade e os parâmetros do modelo escolhido antes de enviar uma solicitação.

A API de áudio do GlobalGPT é idêntica à do OpenAI?

Eles documentam diferentes rotas de áudio: o OpenAI oferece pontos finais de áudio dedicados, enquanto o GlobalGPT encaminha a geração de áudio por meio de sua API de tarefas. Utilize os IDs de modelo e os campos de solicitação do provedor selecionado; a compatibilidade dos pontos finais do OpenAI e o suporte à voz ao vivo devem ser verificados separadamente.