Аудио-API OpenAI: возможности, цены и инструкция по использованию

РУКОВОДСТВО ПО АУДИО-API · ОБНОВЛЕНО 29 СЕНТЯБРЯ 2026 ГОДА

Вам нужно преобразовать аудиозапись в текст, добавить голосовое сопровождение к видео или дать клиентам возможность общаться с ИИ-помощником? Тогда Аудио-API OpenAI предоставляет разработчикам несколько способов обработки речи, однако для каждой задачи используются разные модели, запросы и единицы расчета.

Начните с задачи, которую хотите выполнить. Ниже вы найдете основные конечные точки, доступные на данный момент модели, примеры на Python и расчеты стоимости. Если вашему приложению также потребуются голоса других провайдеров, модели чата, изображения или видео, то API GlobalGPT предлагает другой подход: единую точку входа API, в которой задачи, связанные со звуком, выполняются наряду с этими сервисами.

Что такое аудио-API OpenAI?

Аудио-API OpenAI представляет собой набор интерфейсов для разработчиков, предназначенных для обработки и генерации речи. Ваше приложение отправляет текст или аудио в OpenAI, выбирает модель и получает в ответ аудиозапись или текст. Этот API может использоваться в приложениях для транскрипции, озвучивания статей, создания субтитров, а также в модулях речи более сложных виртуальных помощников.

OpenAI Справочник по аудио-API разделяет генерацию речи, транскрипцию и перевод. Это полезные составные элементы: транскрипция позволяет извлечь слова из записи; отдельная текстовая модель может преобразовать эти слова в резюме, а речевая модель — прочитать это резюме вслух.

ChatGPT — это приложение, которым можно пользоваться напрямую; с помощью API вы можете добавлять модели в своё собственное приложение. Если вы хотите взаимодействовать только с ChatGPT, начните с ChatGPT Голосовой доступ и ограничения. Проект API требует отдельного бюджета на настройку и эксплуатацию.

Какой аудио-конечный узел и какую модель следует использовать?

Выберите формат, соответствующий потребностям вашего приложения. Файл субтитров, стенограмма с указанием говорящих и живой разговор — это разные виды конечных результатов, даже если все три начинаются с того, что кто-то заговорил.

Текущий руководство по транскрипции файлов рекомендует gpt-transcribe для обычных записей. Если вам нужна стенограмма подкаста, начните с этого. Если вам требуются временные метки слов или форматы субтитров, перед выбором модели ознакомьтесь с параметрами конкретной модели; уровень поддержки может различаться.

Потоковая речь отличается от живого разговора

Потоковая функция преобразования текста в речь начинает воспроизведение ответа до того, как завершится генерация всего аудиофайла. Сама по себе она не позволяет вашему приложению распознавать прерывания со стороны пользователя или управлять текущим вызовом. Аналогичным образом, потоковая передача транскрипта из готового файла не запускает сеанс работы микрофона в режиме реального времени.

Для нового приложения с голосовым интерфейсом компания OpenAI аудио- и голосовое руководство направляет к GPT-Live. Его голосовая модель ведет разговор, пока бэкэнд-агент занимается поиском информации или использует инструменты. Realtime API по-прежнему остается отдельной опцией, если вам требуются его модель сеанса и модель инструментов.

Как использовать аудио-API OpenAI

Для приведенных ниже примеров создайте проект API OpenAI, настройте биллинговые параметры API и сохраните свой ключ в OPENAI_API_KEY переменную среды на вашем сервере или локальной машине для разработки. Установите SDK для Python с помощью pip install openai. Не размещайте постоянный ключ API на общедоступной веб-странице или в пакете мобильного приложения.

Начните с небольшого файла или скрипта, чтобы вы могли проверить ответ, прежде чем добавлять запрос в своё приложение.

1. Расшифровать запись

Сохранить запись как meeting.mp3, а затем запустите этот скрипт из той же папки. Возвращаемое значение текст Это стенограмма, а не протокол заседания или перечень задач.

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)

Что касается названий продуктов или отраслевой терминологии, предоставляйте соответствующий контекст, а не ожидайте, что модель сама угадает написание. Текущее руководство по транскрипции поддерживает подсказка, а также подсказки по ключевым словам и языкам, специфичные для конкретной модели. Протестируйте эти параметры на небольшом фрагменте записей, с которыми ваше приложение работает в реальных условиях.

Если вашим источником является записанное демо или видеоинтервью, наше руководство по транскрибирование аудио из видео объясняет, как подготовить исходный материал, а также описывает этапы, проходящие между получением стенограммы и составлением полезного резюме.

2. Преобразование сценария в аудиозапись

Выберите поддерживаемый формат и опишите способ передачи. В данном примере файл MP3 записывается на ваш компьютер; он не воспроизводится автоматически.

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="Краткое резюме вашей встречи готово. Вот дальнейшие шаги.",
    instructions="Говорите спокойным, чётким тоном и размеренным темпом.",
) as response:
    response.stream_to_file(Path("narration.mp3"))

Сайт руководство по преобразованию текста в речь документация содержит рекомендации по тону, темпу, интонации и другим параметрам речи. Формат MP3 используется по умолчанию; также поддерживаются форматы WAV, PCM, Opus, AAC и FLAC. Выбор голоса зависит от модели. Модель OpenAI также требует четкого указания того, что голос сгенерирован искусственным интеллектом.

Если вам нужно лишь изредка добавлять дикторский текст, вам, возможно, будет удобнее воспользоваться инструментом в браузере, чем писать код. Наше руководство по инструменты и рабочие процессы преобразования текста в речь в котором подробно описан этот процесс, в том числе что необходимо проверить перед экспортом голосового сопровождения.

3. Перевести записанную речь в английский текст

Конечная точка перевода использует whisper-1 и выводит текст на английском языке. В случае существующей интеграции запрос выглядит следующим образом. Прежде чем создавать новую долгосрочную зависимость, учтите, что проект будет закрыт в феврале 2027 года.

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)

Данный запрос не генерирует дублированную английскую звуковую дорожку. Для дублирования требуются дополнительные шаги, в том числе генерация речи и, в зависимости от проекта, синхронизация и выравнивание видео. Для перевода на другой целевой язык используйте метод перевода, который явно поддерживает данный язык.

Сколько стоит аудио-API OpenAI?

Единой цены на Audio API не существует. Для транскрипции файлов, синтеза речи и сеансов в режиме реального времени используются разные единицы расчета. Приведенные ниже цифры взяты из Цены на API от OpenAI, проверено 29 сентября 2026 года. Речь идет о сборах OpenAI, которые не связаны с ценами GlobalGPT.

В строках транскрипции используются опубликованные данные по OpenAI ориентировочная стоимость цифры. Пример с токеном TTS представляет собой арифметическую иллюстрацию, основанную на двух указанных итоговых значениях использования; это не является прогнозом того, что скрипт даст одинаковое количество входных и выходных токенов. Символы, текстовые токены и аудиотокены — это разные единицы измерения.

Чтобы составить реальную смету проекта, учитывайте объем работы и после транскрибирования. Помощнику, ведущему встречу, могут понадобиться стенограмма, резюме, список действий и запись разговора. Каждый вызов модели может повлиять на итоговую сумму счета. Агент, работающий с голосовыми запросами, также может использовать поиск или другие инструменты в ходе разговора.

Что касается именно GPT-Live, то страница с ценами на модели разделяет продолжительность сеанса и расходы, связанные с моделью бэкэнда и использованием инструментов. Один час разговора, стоимость которого составляет $3 за голосовой сеанс, не обязательно означает, что общая стоимость использования приложения составит $3.

GlobalGPT также имеет API для работы со звуком, чатом, изображениями и видео

Если аудиосистема является частью более широкого комплекса оборудования, модель GlobalGPT предлагает полезную опцию. Её Обзор API обеспечивает единую точку входа для нескольких категорий моделей: запросы в чате используют /v1/chat/completions или /v1/responses, тогда как для генерации изображений, видео и аудио используются /v1/задачи.

Например, приложение для создания контента может составить черновик сценария с помощью модели чата, создать звуковую дорожку с дикторским текстом, сгенерировать иллюстрацию и смонтировать короткое видео. Когда создание мультимодельного рабочего процесса, назначить каждой модели четкое задание и передавать проверенные результаты между этапами.

Публичные данные GlobalGPT каталог аудиомоделей включает Eleven v3, Eleven Multilingual v2, Qwen Audio 3.0 и Seed Audio 1.0 для создания контента, связанного с речью, а также Scribe и AI Note Taker для задач транскрипции. Ознакомьтесь с каталогом API учетной записи, чтобы узнать, какие конкретно модели доступны для вашей интеграции.

Для более длинных сценариев Обзор программы «Eleven Multilingual v2» в ней рассматриваются вопросы повествования, языковой поддержки, а также отличия от других моделей ElevenLabs.

Для создания творческих аудиозаписей, включающих речь и фоновые звуки, Руководство по голосам и звуковым эффектам от Seed Audio задача здесь шире, чем просто чтение текста вслух. Выберите тип аудиозаписи, который вам нужен.

Как начать работу с API GlobalGPT

1. Откройте раздел API GlobalGPT и создайте ключ в разделе API → Ключи API → Создать ключ. Когда он появится на экране, надежно сохраните его.
2. Ознакомьтесь с каталогом моделей, чтобы найти идентификатор модели и цену, соответствующие вашей задаче.
3. Используйте параметры, указанные в документации к выбранной модели. Соблюдайте формат запроса на выполнение аудиозадачи для /v1/задачи, а не вставлять OpenAI /audio/речь полезная нагрузка осталась без изменений.
4. Начните с небольшого образца. Перед обработкой более крупной партии проверьте полученный аудиофайл, статус выполнения и объем использованных услуг, включенных в счет.

Указанный в документации базовый URL-адрес API: https://api2.glbgpt.com/ai-api/open/v1. Этот запрос на каталог, доступный только для чтения, является отправной точкой после того, как вы сохраните свой ключ в GLOBALGPT_API_KEY:

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

Используйте цену, указанную для той модели, которую вы фактически выбрали. Стоимость подписки на веб-сайт GlobalGPT, остаток на счете и тариф OpenAI за минуту не являются взаимозаменяемыми расчетными данными для одного и того же запроса.

Распространенные ошибки при работе с Audio API и как их избежать

Прежде чем принимать решение о качестве голоса, протестируйте короткий фрагмент, содержащий слова из вашего реального лексического запаса: названия продуктов, цифры, аббревиатуры и языки, на которых говорят ваши пользователи. При транскрипции проверьте слова и соответствие между речью и говорящими. При озвучивании обратите внимание на произношение, паузы, темп речи, а также на то, сохраняется ли задуманный тон на протяжении более длинного абзаца.

Используйте записи, на обработку которых у вас есть разрешение, храните ключи на надежном сервере и ознакомьтесь с условиями обработки данных сервиса, получающего ваши аудиозаписи. Если речь идет о продукте, предназначенном для конечных пользователей, включите в интерфейс информацию о записи и использовании искусственного интеллекта в обработке голоса.

Какой маршрут API выбрать?

Выберите напрямую OpenAI если вашему приложению требуется конкретная речевая модель OpenAI, опция транскрипции с документацией или сеанс с использованием естественного голоса в режиме реального времени. Начните с модели, подходящей для данной задачи, и разрабатывайте приложение с учетом фактических правил обработки запросов и выставления счетов.

Рассмотрим GlobalGPT если ваш продукт сочетает в себе аудио с моделями от нескольких поставщиков или если вы хотите опробовать генерацию речи наряду с чатом, изображениями и видео. Начните с каталога API, выберите доступную модель и проверьте её работу на небольшом задании, прежде чем переходить к масштабированию.

Музыка, дикторский текст и транскрипция требуют выбора разных моделей. Наше сравнение по выбор аудиомодели в зависимости от задачи помогает разделить генерацию песен, дикторский текст и более сложные звуковые сцены.

Для одной записи дикторского текста или стенограммы встречи может хватить веб-инструмента. API становится полезным, когда ваше собственное приложение должно запускать эту задачу неоднократно, передавать результаты на следующий этап или предоставлять результат вашим пользователям.

Часто задаваемые вопросы

Является ли аудио-API OpenAI одной моделью?

Нет. Речь идет о наборе аудиоинтерфейсов. Для генерации речи, транскрипции файлов и перевода файлов используются разные конечные точки и различные модели. GPT-Live и Realtime предоставляют отдельные сессионные опции для приложений, работающих с аудио в режиме реального времени.

Может ли аудио-API OpenAI преобразовывать текст в речь?

Да. Конечная точка речевого интерфейса принимает текст, модель и голос, а затем возвращает аудио. С помощью gpt-4o-mini-tts можно также задавать инструкции по произношению, такие как интонация и темп речи. Формат вывода по умолчанию — MP3.

Какую модель лучше использовать для нового приложения по транскрипции?

В текущем руководстве по транскрипции файлов OpenAI для обычной записанной речи рекомендуется использовать gpt-transcribe. Уточняйте отдельно специальные требования, такие как временные метки слов, форматы субтитров или метки говорящих, поскольку их поддержка зависит от конкретной модели.

Приложение Whisper снимают с производства?

Компания OpenAI объявила о прекращении поддержки своей хостируемой API-модели Whisper-1 26 февраля 2027 года, наряду с тремя более старыми моделями транскрипции GPT-4o. Речь идет о прекращении поддержки API-модели, а не о том, что все программное обеспечение Whisper или все аудиосервисы OpenAI будут закрыты.

Предоставляет ли функция перевода аудиозаписей результат в виде устной речи?

Нет. Конечная точка перевода файлов возвращает текст на английском языке на основе записанной речи. Для получения переведенной речи потребуется дополнительный этап генерации речи или специальный сервис перевода речи.

Можно ли использовать Audio API для голосового помощника в режиме реального времени?

Вы можете объединить транскрипцию, текстовую модель и генерацию речи в голосовом помощнике, однако обработка реплик в режиме реального времени требует дополнительной проработки. Компания OpenAI рекомендует использовать GPT-Live в качестве отправной точки для разработки новых голосовых приложений с диалоговым интерфейсом; кроме того, она предоставляет документацию по отдельному API для работы в режиме реального времени.

Есть ли в GlobalGPT аудио-API?

Да. В обзоре API GlobalGPT описаны возможности генерации аудио через конечную точку «tasks», а также генерации изображений и видео. В конечной точке «models» приведены идентификаторы моделей и цены. Перед отправкой запроса проверьте доступность выбранной модели и её параметры.

Аудио-API в GlobalGPT идентичен ли API в OpenAI?

В них описаны различные маршруты передачи аудиосигналов: OpenAI предоставляет выделенные конечные точки для аудио, тогда как GlobalGPT направляет генерацию аудио через свой API задач. Используйте идентификаторы моделей и поля запроса выбранного поставщика; совместимость конечных точек OpenAI и поддержку голосовой связи в реальном времени необходимо проверять отдельно.