คู่มือ API เสียง · อัปเดตเมื่อวันที่ 29 กันยายน 2026
ต้องการแปลงไฟล์เสียงเป็นข้อความ เพิ่มเสียงบรรยายลงในวิดีโอ หรือให้ลูกค้าสามารถพูดคุยกับผู้ช่วย AI ได้หรือไม่? The OpenAI Audio API ให้ผู้พัฒนาหลายวิธีในการจัดการกับเสียง แต่แต่ละงานจะใช้โมเดล คำขอ และหน่วยการคิดค่าบริการที่แตกต่างกัน.
เริ่มจากงานที่คุณต้องการให้เสร็จสิ้น ด้านล่างนี้ คุณจะพบจุดปลายทางหลัก ตัวเลือกโมเดลที่มีอยู่ ตัวอย่างโค้ด Python และการคำนวณราคา หากแอปของคุณยังต้องการเสียง โมเดลแชท รูปภาพ หรือวิดีโอจากผู้ให้บริการอื่น ๆ ด้วย API GlobalGPT เสนอทางเลือกอื่น: จุดเข้า API เดียวที่รวมงานด้านเสียงไว้พร้อมกับบริการเหล่านั้น.
คำตอบด่วน: ใช้ OpenAI’s /v1/เสียง/ข้อความถอดเสียง สำหรับเสียงที่บันทึกไว้, /v1/audio/speech สำหรับเสียงที่สร้างขึ้น และ /v1/audio/translations เพื่อแปลงไฟล์เสียงเป็นข้อความภาษาอังกฤษ สำหรับการสนทนาแบบต่อเนื่อง ให้เลือกเซสชันเสียงแบบสด GlobalGPT ยังให้บริการ API สำหรับงานเสียง พร้อมด้วยแคตตาล็อกโมเดลและรูปแบบคำขอของตัวเอง.
บนหน้านี้
API เสียง OpenAI คืออะไร?
API เสียง OpenAI เป็นชุดอินเทอร์เฟซสำหรับนักพัฒนาเพื่อประมวลผลและสร้างเสียงพูด แอปพลิเคชันของคุณจะส่งข้อความหรือเสียงไปยัง OpenAI เลือกโมเดล และรับเสียงพูดหรือข้อความกลับมา ซึ่งสามารถใช้เพื่อพัฒนาแอปแปลงข้อความเป็นเสียง บทความที่มีเสียงบรรยาย เครื่องมือสร้างคำบรรยาย หรือขั้นตอนการพูดของระบบผู้ช่วยอัจฉริยะที่ใหญ่กว่า.
OpenAI's คู่มือ API เสียง แยกกระบวนการสร้างเสียง การถอดเสียง และการแปลออกจากกัน ซึ่งองค์ประกอบเหล่านี้มีประโยชน์มาก: การถอดเสียงจะสร้างคำจากไฟล์บันทึกเสียง; โมเดลข้อความที่แยกต่างหากสามารถเปลี่ยนคำเหล่านั้นเป็นบทสรุปได้; และโมเดลเสียงสามารถอ่านบทสรุปนั้นออกเสียงได้.
สามคำขอ สามผลลัพธ์ที่แตกต่างกัน
บันทึก → ข้อความถอดเสียง
การสัมภาษณ์ การประชุม การบรรยาย หรือบันทึกเสียง
/เสียง/ข้อความถอดเสียง
สคริปต์ → เสียงพูด
เสียงบรรยาย, เสียงช่วยเหลือการเข้าถึง หรือการตอบสนองของแอป
/เสียง/คำพูด
การบันทึกด้วยภาษาต่างประเทศ → ข้อความภาษาอังกฤษ
การแปลเป็นภาษาอังกฤษของคำพูดที่บันทึกไว้
/audio/translations
ChatGPT เป็นแอปพลิเคชันที่คุณสามารถใช้งานได้โดยตรง ส่วน API ช่วยให้คุณสามารถเพิ่มโมเดลเข้าไปในแอปพลิเคชันของคุณเองได้ หากคุณต้องการใช้งานเฉพาะกับ ChatGPT ให้เริ่มด้วย ChatGPT การเข้าถึงด้วยเสียงและข้อจำกัด. โครงการ API จำเป็นต้องมีงบประมาณสำหรับการตั้งค่าและการใช้งานเป็นของตัวเอง.
คุณควรใช้จุดปลายทางเสียงและโมเดลใด?
เลือกตามรูปแบบผลลัพธ์ที่แอปพลิเคชันของคุณต้องการ ไฟล์คำบรรยาย ไฟล์ข้อความพร้อมป้ายชื่อผู้พูด และการสนทนาแบบสด เป็นผลลัพธ์ที่แตกต่างกัน แม้ทั้งสามอย่างจะเริ่มต้นด้วยเสียงพูดของใครบางคนก็ตาม.
ปัจจุบัน คู่มือการถอดเสียงไฟล์ แนะนำ gpt-transcribe สำหรับการบันทึกเสียงทั่วไป สำหรับข้อความถอดเสียงของพอดแคสต์ ให้เริ่มจากจุดนั้น หากต้องการข้อมูลเวลาของคำหรือรูปแบบคำบรรยาย ให้ตรวจสอบตัวเลือกเฉพาะของแต่ละโมเดลก่อนเลือกโมเดล เนื่องจากระดับการสนับสนุนอาจแตกต่างกัน.
วันที่ย้ายระบบที่ควรจัดแผนไว้: OpenAI รายการ whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, และ gpt-4o-transcribe-diarize สำหรับการยุติการใช้งาน API ในวันที่ 26 กุมภาพันธ์ 2027. การบูรณาการที่มีอยู่ด้านการแปล การแสดงคำบรรยาย และการแบ่งช่วงเวลาควรปฏิบัติตาม คู่มืออย่างเป็นทางการเกี่ยวกับการเลิกใช้ แทนที่จะสมมติว่าโมเดลใหม่จะยอมรับทุกพารามิเตอร์เดิม.
การสตรีมเสียงนั้นแตกต่างจากการสนทนาแบบสด
การสตรีมข้อความเป็นเสียงจะเริ่มเล่นคำตอบก่อนที่ไฟล์เสียงทั้งหมดจะสร้างเสร็จสิ้น โดยตัวมันเองไม่สามารถทำให้แอปของคุณรับรู้การขัดจังหวะจากผู้ใช้หรือจัดการการโทรที่กำลังดำเนินอยู่ได้ เช่นเดียวกัน การสตรีมข้อความจากไฟล์ที่สร้างเสร็จแล้วจะไม่สร้างเซสชันไมโครโฟนแบบเรียลไทม์.
สำหรับแอปเสียงสนทนาใหม่ของ OpenAI’s เสียงและคู่มือเสียง ชี้ไปยัง GPT-Live โดยโมเดลเสียงของมันจะจัดการการสนทนา ในขณะที่เอเจนต์ด้านหลังจะทำการค้นคว้าหรือใช้เครื่องมือต่าง ๆ ส่วน Realtime API ยังคงเป็นตัวเลือกแยกต่างหากเมื่อคุณต้องการใช้โมเดลเซสชันและโมเดลเครื่องมือของมัน.
วิธีใช้ API เสียง OpenAI
สำหรับตัวอย่างด้านล่างนี้ ให้สร้างโครงการ API OpenAI ตั้งค่าการเรียกเก็บเงิน API และเก็บคีย์ของคุณไว้ใน OPENAI_API_KEY ตัวแปรสภาพแวดล้อมบนเซิร์ฟเวอร์หรือเครื่องพัฒนาท้องถิ่นของคุณ ติดตั้ง Python SDK ด้วย pip install openai. อย่าใส่กุญแจ API แบบถาวรลงในหน้าเว็บสาธารณะหรือแพ็กเกจแอปพลิเคชันมือถือ.
เริ่มด้วยไฟล์หรือสคริปต์สั้นๆ เพื่อที่คุณจะได้ตรวจสอบผลตอบกลับก่อนที่จะเพิ่มคำขอเข้าไปในแอปพลิเคชันของคุณ.
1. แปลงเสียงบันทึกเป็นข้อความ
บันทึกไฟล์เสียงเป็น meeting.mp3, แล้วเรียกใช้สคริปต์นี้จากโฟลเดอร์เดียวกัน ผลลัพธ์ที่ได้คือ ข้อความ นี่คือบันทึกการประชุม ไม่ใช่สรุปการประชุมหรือรายชื่อข้อปฏิบัติ.
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)สำหรับชื่อผลิตภัณฑ์หรือคำศัพท์ในอุตสาหกรรม ให้ระบุบริบทที่เกี่ยวข้องแทนที่จะคาดหวังให้โมเดลคาดเดาการสะกดคำ คู่มือการถอดเสียงปัจจุบันสนับสนุน คำสั่ง, พร้อมทั้งคำสำคัญและคำแนะนำด้านภาษาที่เฉพาะสำหรับแต่ละรุ่น ทดสอบตัวเลือกเหล่านั้นบนตัวอย่างสั้นๆ จากข้อมูลบันทึกเสียงที่แอปของคุณจัดการจริง.
หากแหล่งข้อมูลของคุณเป็นวิดีโอเดโมหรือวิดีโอสัมภาษณ์ที่บันทึกไว้แล้ว คู่มือของเราเกี่ยวกับ การถอดเสียงจากวิดีโอ อธิบายถึงการเตรียมสื่อและขั้นตอนต่าง ๆ ตั้งแต่การได้รับข้อความถอดเสียงจนถึงการผลิตบทสรุปที่มีประโยชน์.
2. แปลงสคริปต์เป็นเสียงพูด
เลือกเสียงที่รองรับและอธิบายวิธีการส่งเสียง ตัวอย่างนี้จะบันทึกไฟล์ MP3 ลงในเครื่องของคุณ แต่จะไม่เล่นไฟล์นั้นโดยอัตโนมัติ.
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="สรุปการประชุมของคุณพร้อมแล้ว นี่คือขั้นตอนต่อไป",
instructions="ใช้เสียงที่สงบ ชัดเจน และพูดด้วยความเร็วที่พอดี",
) as response:
response.stream_to_file(Path("narration.mp3"))The คู่มือการใช้ระบบแปลงข้อความเป็นเสียง ระบบควบคุมด้านโทนเสียง ความเร็ว การเน้นเสียง และตัวเลือกการส่งเสียงอื่นๆ MP3 เป็นรูปแบบไฟล์ออกตามค่าเริ่มต้น ส่วนรูปแบบไฟล์อื่นๆ ที่รองรับ ได้แก่ WAV, PCM, Opus, AAC และ FLAC ตัวเลือกเสียงขึ้นอยู่กับรุ่นของอุปกรณ์ OpenAI ยังต้องมีการแจ้งให้ชัดเจนว่าเสียงดังกล่าวถูกสร้างขึ้นโดย AI.
หากต้องการเล่าเรื่องเป็นครั้งคราว คุณอาจชอบใช้เครื่องมือในเบราว์เซอร์มากกว่าการเขียนโค้ด คู่มือของเราเกี่ยวกับ เครื่องมือและกระบวนการทำงานสำหรับการแปลงข้อความเป็นเสียง ครอบคลุมขั้นตอนทั้งหมดในกระบวนการนี้ รวมถึงสิ่งที่ต้องตรวจสอบก่อนส่งออกเสียงบรรยาย.
3. แปลงเสียงที่บันทึกไว้เป็นข้อความภาษาอังกฤษ
จุดปลายทางของการแปลใช้ whisper-1 และแสดงผลเป็นข้อความภาษาอังกฤษ สำหรับการบูรณาการที่มีอยู่แล้ว คำขอจะมีรูปแบบดังต่อไปนี้ โปรดพิจารณาการเกษียณอายุในเดือนกุมภาพันธ์ 2027 ก่อนที่จะสร้างความพึ่งพาในระยะยาวใหม่ขึ้นจากสิ่งนั้น.
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)คำขอนี้ไม่สร้างเสียงภาษาอังกฤษที่พากย์ทับ การพากย์ทับต้องผ่านขั้นตอนเพิ่มเติม ซึ่งรวมถึงการสร้างเสียงพูด และขึ้นอยู่กับโครงการ อาจต้องปรับเวลาและจัดให้ตรงกับวิดีโอด้วย สำหรับการแปลไปยังภาษาเป้าหมายอื่น ให้ใช้วิธีการแปลที่สนับสนุนภาษาดังกล่าวอย่างชัดเจน.
ราคาของ Audio API OpenAI เป็นเท่าไร?
ไม่มีราคา API Audio ที่กำหนดไว้อย่างเดียว การแปลงไฟล์เป็นข้อความ การสร้างเสียงพูด และเซสชันสด ใช้หน่วยการคิดค่าบริการที่แตกต่างกัน ตัวเลขด้านล่างนี้มาจาก ราคา API ของ OpenAI, ตรวจสอบเมื่อวันที่ 29 กันยายน 2026 เป็นค่าบริการ OpenAI ซึ่งแยกต่างหากจากราคา GlobalGPT.
แถวการถอดความใช้ข้อมูลที่ OpenAI ได้เผยแพร่ ค่าใช้จ่ายคาดการณ์ ตัวเลข ตัวอย่างโทเค็น TTS เป็นตัวอย่างทางคณิตศาสตร์ที่อิงจากสองค่ารวมการใช้งานที่กำหนดไว้ ไม่ใช่การคาดการณ์ว่าสคริปต์จะสร้างจำนวนโทเค็นอินพุตและเอาต์พุตที่เท่ากัน ตัวอักษร โทเค็นข้อความ และโทเค็นเสียง เป็นหน่วยที่ต่างกัน.
งบประมาณการถอดเสียง 1,000 นาที
ประมาณ 16 ชั่วโมง 40 นาที ของไฟล์เสียง โดยใช้การประมาณการต่อนาทีที่ OpenAI ได้เผยแพร่ไว้.
ไฟล์ที่บันทึก · gpt-transcribe · ≈ $4.50
การถอดเสียงแบบเรียลไทม์ · gpt-live-transcribe · ≈ $17.00
เพื่อประเมินโครงการจริง ให้คำนวณงานหลังการถอดเสียงด้วย ผู้ช่วยประชุมอาจต้องการข้อความถอดเสียง สรุปประเด็นสำคัญ รายการงานที่ต้องดำเนินการ และการเล่นเสียงที่บันทึกไว้ แต่ละครั้งที่เรียกใช้โมเดลอาจส่งผลต่อค่าใช้จ่าย นอกจากนี้ ตัวแทนเสียงอาจใช้เครื่องมือค้นหาหรือเครื่องมืออื่น ๆ ในขณะที่การสนทนายังคงดำเนินอยู่.
สำหรับ GPT-Live โดยเฉพาะแล้ว, หน้าแสดงราคาของรุ่น แยกระยะเวลาการเชื่อมต่อออกจากค่าใช้จ่ายของโมเดลแบ็กเอนด์และเครื่องมือ การโทรหนึ่งชั่วโมงที่มีค่าใช้จ่าย $3 สำหรับการเชื่อมต่อเสียง ไม่จำเป็นต้องเป็นค่าใช้จ่ายรวมของแอปพลิเคชันที่เท่ากับ $3.
GlobalGPT ยังมี API สำหรับเสียง การสนทนา รูปภาพ และวิดีโอ
หากระบบเสียงเป็นส่วนหนึ่งของผลิตภัณฑ์ที่กว้างกว่า GlobalGPT ก็เป็นตัวเลือกที่มีประโยชน์ โดย ภาพรวมของ API บันทึกจุดเข้าใช้ร่วมกันสำหรับหลายประเภทโมเดล: คำขอแชทใช้ /v1/แชท/การเติมข้อความ หรือ /v1/responses, ส่วนการสร้างภาพ วิดีโอ และเสียงใช้ /v1/งาน.
ตัวอย่างเช่น แอปเนื้อหาอาจเขียนบทร่างโดยใช้โมเดลแชท สร้างเสียงบรรยาย สร้างภาพประกอบ และผลิตวิดีโอสั้น เมื่อ การสร้างกระบวนการทำงานแบบหลายโมเดล, ให้แต่ละโมเดลมีหน้าที่ที่ชัดเจน และส่งผลลัพธ์ที่ผ่านการตรวจสอบระหว่างขั้นตอนต่างๆ.
กลุ่มสาธารณะของ GlobalGPT แคตตาล็อกแบบจำลองเสียง รวมถึง Eleven v3, Eleven Multilingual v2, Qwen Audio 3.0 และ Seed Audio 1.0 สำหรับการสร้างเนื้อหาที่เกี่ยวข้องกับเสียง รวมถึง Scribe และ AI Note Taker สำหรับงานการถอดเสียง ตรวจสอบแคตตาล็อก API ของบัญชีเพื่อดูโมเดลเฉพาะที่มีให้ใช้สำหรับการผสานระบบของคุณ.
สำหรับสคริปต์ที่ยาวกว่า, รีวิว Eleven Multilingual v2 กล่าวถึงการเล่าเรื่อง การสนับสนุนด้านภาษา และจุดแตกต่างจากโมเดล ElevenLabs อื่นๆ.
สำหรับเสียงสร้างสรรค์ที่รวมทั้งเสียงพูดและเสียงบรรยากาศ, คู่มือเสียงและเอฟเฟกต์เสียงของ Seed Audio มีขอบเขตที่กว้างกว่าการอ่านข้อความออกเสียง เลือกตามประเภทเสียงที่คุณต้องการส่งออกไป.
วิธีเริ่มต้นใช้งาน API GlobalGPT
- เปิดส่วน API ของ GlobalGPT และสร้างคีย์ภายใต้ API → กุญแจ API → สร้างกุญแจ. เมื่อข้อมูลปรากฏขึ้น ให้เก็บไว้อย่างปลอดภัย.
- อ่านแคตตาล็อกรุ่นเพื่อค้นหาหมายเลขรุ่นและราคาสำหรับงานที่คุณต้องการ.
- ใช้พารามิเตอร์ที่ระบุไว้ในเอกสารของโมเดลที่เลือกไว้ และปฏิบัติตามรูปแบบคำขอของงานเสียงสำหรับ
/v1/งาน, แทนที่จะคัดลอกและวาง OpenAI/เสียง/คำพูดข้อมูลที่ส่งไปไม่เปลี่ยนแปลง. - เริ่มด้วยตัวอย่างสั้นๆ ก่อน ตรวจสอบเสียงที่ส่งกลับมา สถานะการเสร็จสิ้น และปริมาณการใช้งานที่ถูกคิดค่าบริการ ก่อนที่จะดำเนินการกับชุดข้อมูลที่มีขนาดใหญ่ขึ้น.
URL ฐานของ API ที่บันทึกไว้คือ https://api2.glbgpt.com/ai-api/open/v1. คำขอแคตตาล็อกแบบอ่านอย่างเดียวนี้คือจุดเริ่มต้นหลังจากที่คุณเก็บกุญแจของคุณไว้ใน GLOBALGPT_API_KEY:
curl "https://api2.glbgpt.com/ai-api/open/v1/models" \
-H "Authorization: Bearer $GLOBALGPT_API_KEY"ใช้ราคาที่กำหนดไว้สำหรับโมเดลที่คุณเลือกจริง ราคาสมัครสมาชิกเว็บไซต์ GlobalGPT ยอดเครดิตคงเหลือ และอัตราค่าบริการต่อนาทีของ OpenAI ไม่สามารถใช้แทนกันได้ในการประเมินราคาสำหรับคำขอเดียวกัน.
ขอบเขตการบูรณาการ: GlobalGPT มี API เสียงของตัวเอง แต่เอกสารสาธารณะของบริการนี้ไม่ได้ระบุถึงการสนับสนุนจุดปลายทางเสียงแบบเนทีฟของ OpenAI เซสชัน GPT-Live หรือโมเดลเสียงทุกตัวของ OpenAI หากแอปของคุณในปัจจุบันพึ่งพาคุณสมบัติใดในจำนวนนี้ โปรดตรวจสอบความต้องการเฉพาะนั้นก่อนที่จะเปลี่ยนผู้ให้บริการ.
ข้อผิดพลาดที่พบบ่อยใน API เสียง และวิธีหลีกเลี่ยง
ก่อนที่จะตัดสินใจเลือกคุณภาพเสียง ให้ลองทดสอบตัวอย่างสั้นๆ ที่รวมถึงคำศัพท์ที่คุณใช้จริง: ชื่อผลิตภัณฑ์, ตัวเลข, คำย่อ และภาษาที่ผู้ใช้ของคุณใช้ สำหรับการถอดเสียง ให้ตรวจสอบคำและข้อมูลผู้พูด สำหรับการบรรยาย ให้ฟังการออกเสียง, การหยุดพัก, ความเร็วในการพูด และว่าน้ำเสียงที่ต้องการยังคงรักษาไว้ได้หรือไม่เมื่ออ่านย่อหน้าที่ยาวขึ้น.
ใช้ไฟล์บันทึกเสียงที่คุณได้รับอนุญาตให้ประมวลผล เก็บกุญแจไว้บนเซิร์ฟเวอร์ที่เชื่อถือได้ และตรวจสอบเงื่อนไขการใช้ข้อมูลของบริการที่รับไฟล์เสียงของคุณ สำหรับผลิตภัณฑ์ที่ให้บริการลูกค้า ให้รวมข้อมูลเกี่ยวกับการบันทึกเสียงและการใช้เสียง AI เข้าเป็นส่วนหนึ่งของอินเทอร์เฟซ.
คุณควรเลือก API route ใด?
เลือก OpenAI โดยตรง เมื่อแอปของคุณต้องการโมเดลเสียงพูด OpenAI ที่เฉพาะเจาะจง ตัวเลือกการถอดเสียงที่มีเอกสารประกอบ หรือเซสชันเสียงสดแบบเนทีฟ ให้เริ่มต้นด้วยโมเดลที่เหมาะสมกับงานนั้น และออกแบบระบบโดยคำนึงถึงกฎการขอใช้และกฎการคิดค่าบริการที่แท้จริงของโมเดลดังกล่าว.
พิจารณา GlobalGPT เมื่อผลิตภัณฑ์ของคุณรวมเสียงกับโมเดลจากผู้ให้บริการหลายแห่ง หรือเมื่อคุณต้องการทดลองสร้างเสียงควบคู่ไปกับการแชท รูปภาพ และวิดีโอ ให้เริ่มต้นจากแคตตาล็อก API เลือกโมเดลที่มีอยู่ และทดสอบงานขนาดเล็กก่อนที่จะขยายขนาด.
ดนตรี การบรรยาย และการถอดเสียง ต้องการการเลือกแบบจำลองที่แตกต่างกัน การเปรียบเทียบของเราเกี่ยวกับ การเลือกโมเดลเสียงตามงาน ช่วยแยกการสร้างเพลง การบรรยายด้วยเสียง และฉากเสียงที่ซับซ้อนยิ่งขึ้น.
สำหรับงานบันทึกเสียงหรือบันทึกการประชุมเพียงครั้งเดียว เครื่องมือออนไลน์อาจเพียงพอแล้ว API จะมีประโยชน์เมื่อแอปพลิเคชันของคุณต้องเรียกใช้任务ซ้ำๆ ส่งผลลัพธ์ไปยังขั้นตอนถัดไป หรือส่งผลลัพธ์ให้ผู้ใช้ของคุณ.
คำถามที่มักถูกถาม
API เสียง OpenAI เป็นโมเดลเดียวหรือไม่?
ไม่ครับ นี่เป็นชุดของอินเทอร์เฟซเสียง การสร้างเสียง การแปลงไฟล์เป็นข้อความ และการแปลไฟล์ใช้จุดปลายทางและตัวเลือกโมเดลที่แตกต่างกัน GPT-Live และ Realtime เพิ่มตัวเลือกที่แยกต่างหากแบบตามเซสชัน สำหรับแอปพลิเคชันเสียงแบบสด.
API เสียง OpenAI สามารถแปลงข้อความเป็นเสียงได้หรือไม่?
ใช่ครับ จุดปลายทางสำหรับสร้างเสียง (speech endpoint) รับข้อมูลเข้า ได้แก่ ข้อความ โมเดล และเสียง แล้วส่งเสียงออกมาเป็นผลลัพธ์ ด้วย gpt-4o-mini-tts คุณยังสามารถกำหนดคำสั่งสำหรับการส่งเสียง เช่น น้ำเสียงและจังหวะการพูดได้อีกด้วย รูปแบบไฟล์ MP3 เป็นรูปแบบไฟล์ผลลัพธ์ตามค่าเริ่มต้น.
ควรใช้โมเดลใดสำหรับแอปการถอดเสียงใหม่?
คู่มือการถอดเสียงไฟล์ปัจจุบันของ OpenAI แนะนำให้ใช้ gpt-transcribe สำหรับเสียงบันทึกทั่วไป โปรดตรวจสอบแยกต่างหากสำหรับข้อกำหนดเฉพาะ เช่น เวลาของคำ รูปแบบคำบรรยาย หรือป้ายชื่อผู้พูด เนื่องจากระดับการสนับสนุนอาจแตกต่างกันไปตามแต่ละโมเดล.
Whisper จะถูกยกเลิกหรือไม่?
OpenAI ประกาศว่าจะยุติการให้บริการโมเดล API Whisper-1 ที่โฮสต์ไว้ในวันที่ 26 กุมภาพันธ์ 2560 พร้อมกับโมเดลการถอดเสียง GPT-4o ที่เก่ากว่าอีกสามตัว นี่เป็นการยุติการให้บริการโมเดล API เท่านั้น ไม่ใช่การประกาศว่าซอฟต์แวร์ Whisper ทั้งหมดหรือบริการเสียง OpenAI ทั้งหมดจะปิดตัวลง.
การแปลเสียงจะให้ผลลัพธ์เป็นเสียงพูดหรือไม่?
ไม่ครับ จุดปลายทางสำหรับการแปลไฟล์จะส่งข้อความภาษาอังกฤษจากเสียงที่บันทึกไว้ เพื่อสร้างเสียงที่แปลแล้ว คุณจำเป็นต้องมีขั้นตอนการสร้างเสียงเพิ่มเติม หรือใช้บริการแปลเสียงที่ออกแบบมาโดยเฉพาะ.
ผมสามารถใช้ Audio API สำหรับผู้ช่วยเสียงแบบเรียลไทม์ได้ไหมครับ?
คุณสามารถรวมการถอดเสียง โมเดลข้อความ และการสร้างเสียงพูดเข้าด้วยกันเพื่อสร้างผู้ช่วยเสียงได้ แต่การจัดการการสนทนาแบบเรียลไทม์จำเป็นต้องมีการออกแบบเพิ่มเติม OpenAI แนะนำ GPT-Live เป็นจุดเริ่มต้นสำหรับแอปพลิเคชันเสียงสนทนาใหม่ ๆ นอกจากนี้ยังมีการบันทึกข้อมูลเกี่ยวกับ Realtime API ที่แยกต่างหากด้วย.
GlobalGPT มี API สำหรับเสียงหรือไม่?
ใช่ครับ เอกสารสรุป API ของ GlobalGPT อธิบายการสร้างเสียงผ่านจุดปลายทาง tasks (tasks endpoint) พร้อมกับการสร้างภาพและวิดีโอ ส่วนจุดปลายทาง models (models endpoint) แสดงรายการ ID ของโมเดลและราคา โปรดตรวจสอบความพร้อมใช้งานและพารามิเตอร์ของโมเดลที่เลือกก่อนส่งคำขอ.
API เสียงของ GlobalGPT เหมือนกับของ OpenAI หรือไม่?
ระบบเหล่านี้บันทึกเส้นทางเสียงที่แตกต่างกัน: OpenAI ให้จุดปลายทางเสียงเฉพาะ ส่วน GlobalGPT ส่งสัญญาณเสียงผ่าน API ของงาน (tasks API) ให้ใช้ ID แบบจำลองและสนามข้อมูลคำขอของผู้ให้บริการที่เลือกไว้; ความเข้ากันได้ของจุดปลายทาง OpenAI และการสนับสนุนเสียงสดต้องได้รับการตรวจสอบแยกต่างหาก.
ผสานระบบเสียงเข้ากับแอป AI ที่กว้างขวางยิ่งขึ้น
สำรวจ API ของ GlobalGPT สำหรับงานด้านเสียง การสนทนา ภาพ และวิดีโอ ตรวจสอบแคตตาล็อกโมเดลและราคา แล้วเริ่มต้นด้วยงานที่ผู้ใช้ของคุณต้องการมากที่สุด.
