GPT-Audio

GPT-Audio — первая общедоступная аудиомодель OpenAI для Chat Completions API. Её основной снимок имеет дату 28 августа 2025 года. Модель принимает аудио и текст, а в ответ может сформировать текст, аудио или оба представления; это позволяет построить приложение, которое не разбивает голосовой запрос на отдельные модели распознавания и синтеза.

Что делает GPT-Audio

Аудиовход, аудиовыход и текстовый контекст

Разработчик передаёт аудиосодержимое в сообщении Chat Completions и задаёт режим ответа. Модель может анализировать запись и отвечать голосом, а текстовый вариант ответа помогает интерфейсу показать результат или сохранить его в журнале. Конкретный формат обмена определяется API и настройками запроса.

Отличие от Realtime API

Обработка аудио в запросе и потоковый разговор

GPT-Audio предназначена для аудиозадач через Chat Completions API. Для непрерывного разговора с низкой задержкой существует отдельная модель GPT-Realtime, которая работает через Realtime API. Эти модели решают близкие задачи, но используют разные интерфейсы обмена и не должны считаться одним и тем же API-продуктом.

Младшая и обновлённая версии

Сокращение стоимости и переход к GPT-Audio-1.5

OpenAI предложила более экономичный вариант GPT-Audio Mini, а в феврале 2026 года выпустила GPT-Audio-1.5. Последняя модель предназначена для сценариев аудиоввода и аудиовывода в Chat Completions. Старый идентификатор `gpt-audio` запланирован к отключению 20 января 2027 года; официальная рекомендация — перейти на GPT-Audio-1.5.

Границы применимости

Модель — компонент приложения, а не готовый голосовой сервис

GPT-Audio предоставляет разработчику API-модель. Приложение по-прежнему отвечает за подключение микрофона, воспроизведение ответа, управление диалогом, защиту пользовательских данных и действия, которые могут менять внешние системы.

Сведения о разработчике и его моделях: OpenAI в Вики Futuretools.ru.

Официальный источник: материал разработчика.