gpt-audio

openaiopenai/gpt-audio

Audio inputs and outputs with the Chat Completions API.

官方 gpt-audio 模型主页 ↗音频与语音指南 ↗OpenRouter — gpt-audio ↗

GPT Audio（gpt-audio）是 OpenAI 第一个面向 Chat Completions API 的通用音频模型。于 2026 年 1 月发布，它将原生音频输入和输出引入熟悉的文本对话补全接口，开发者无需切换到单独的 Realtime API 或拼装转录 + TTS 管线即可构建语音应用。

与使用 WebRTC 以低延迟实现语音对语音的 Realtime 系列（gpt-realtime-*）不同，gpt-audio 使用标准 HTTP 的 Chat Completions REST API。开发者将 base64 编码的音频放入消息内容中发送，并接收音频回复——从而可以直接集成到现有基于聊天的后端中。与之前的 gpt-4o-audio-preview 相比，该模型升级了解码器，声音更加自然，语音一致性也更好。

适合使用

• 通过 Chat Completions 进行语音对话的聊天机器人和助手
• 优先使用音频的客服代理，支持保留上下文的自然对话
• 需要在同一 API 调用中同时处理文本和音频模态的应用——可在对话中切换模式
• 语音笔记摘要、会议总结和音频内容分析流程

不适合使用

• 低延迟实时语音对话（毫秒级轮替）——改用 gpt-realtime-2 或 gpt-realtime-1.5（通过 Realtime API / WebRTC）
• 大规模纯文本对话——纯文本模型（gpt-5.5、gpt-5.5-pro）成本更低
• 仅转写（语音转文本）——gpt-4o-transcribe 或 gpt-4o-mini-transcribe 更便宜且专用
• 跨语言流式实时翻译——应使用专为多语言实时语音翻译打造的 gpt-realtime-translate

上下文长度

最大输出

输入价格每百万 tokens

$2.70每百万 Tokens

输出价格每百万 tokens

$10.80每百万 Tokens

模态能力

文本音频→文本音频

价格明细

类型	费率
输入	$2.70 每百万 Tokens
输出	$10.80 每百万 Tokens
Audio input	$34.56 每百万 Tokens
Audio output	$69.12 每百万 Tokens

支持参数

temperaturemax_tokenstop_ptoolstool_choiceresponse_formatmodalitiesaudio

模型规格

发布日期	2026 年 1 月（正式发布）OpenRouter ↗	已核实
上下文窗口	128,000 tokensOpenRouter ↗	待核实
最大输出长度	16,384 tokensOpenRouter ↗	待核实
支持的模态	输入：文本、音频；输出：文本、音频developers.openai.com ↗	已核实
许可	专有许可（OpenAI API 服务条款）	已核实

基准成绩

Benchmark	Distribution	Score	Source
Audio quality & voice naturalness OpenAI 表示 gpt-audio 使用了升级的解码器，比预览版 gpt-4o-audio-preview 声音更自然、一致性更好。未公布基准测试分数。		Upgraded decoder — more natural voices vs gpt-4o-audio-preview	OpenRouter ↗

API 使用示例

所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。

cURL

curl https://api.therouter.ai/v1/chat/completions   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{
    "model": "openai/gpt-audio",
    "messages": [
      {"role": "user", "content": "Summarize the key points from this input."}
    ]
  }'

API 使用指南

完整 API 参考 →

音频 Chat 调用

在消息内容中发送 base64 编码的 WAV/MP3 音频。模型可以用文本和音频回复。

cURL

curl https://api.therouter.ai/v1/chat/completions \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-audio",
    "modalities": ["text", "audio"],
    "audio": { "voice": "alloy", "format": "wav" },
    "messages": [
      {
        "role": "user",
        "content": [
          { "type": "text", "text": "What does this audio say?" },
          { "type": "input_audio", "input_audio": { "data": "<BASE64_AUDIO>", "format": "wav" } }
        ]
      }
    ]
  }'

openai 其他模型

openai/gpt-audio-1.5增强版，支持图像输入，音频质量更高 openai/gpt-audio-miniGPT Audio 的经济版，适合轻量任务 openai/gpt-realtime-1.5通过 Realtime API（WebRTC）实现低延迟语音对语音 openai/gpt-4o-audio-preview之前的音频 Chat Completions 预览模型

动态与变更

2026-01-20

OpenAI 发布 gpt-audio——首个面向 Chat Completions 的通用音频模型

OpenAI 发布了 gpt-audio 作为其首个通用音频模型，将原生音频输入/输出引入 Chat Completions REST API。该模型搭载升级的解码器，声音更自然、一致性更好，支持在单个 API 调用中同时处理文本和音频模态。定价为每百万输入 token（文本）$2.50、每百万（音频输入）$40。

TheRouter 编辑重写OpenRouter ↗

常见问题

gpt-audio 和 gpt-4o-audio-preview 有什么区别？

gpt-audio 是 gpt-4o-audio-preview 的正式发布版（GA）。它采用了升级的解码器，声音更自然、一致性更好。同时在 Azure 上可用，生态系统支持更广。与预览版不同，gpt-audio 是面向商业部署的生产级模型。

TheRouter 编辑重写openrouter.ai ↗

我能在 TheRouter API 中使用 gpt-audio 吗？

可以。gpt-audio 已在 TheRouter 上完整列出，可通过 api.therouter.ai/v1/chat/completions 标准 Chat Completions 端点调用。使用模型ID "openai/gpt-audio"。音频输入通过 input_audio 内容部分格式（base64 编码的 WAV/MP3 数据）支持。设置 modalities 和 audio 参数以请求音频输出。

TheRouter 编辑重写api.therouter.ai ↗

gpt-audio 支持什么音频格式输入和输出？

输入方面，gpt-audio 接受 base64 编码的 WAV 或 MP3 格式音频。格式在 input_audio 内容部分中指定。输出方面，可以通过设置请求体中的 audio.format 请求 WAV 格式音频。支持的语音包括 alloy、echo、fable、nova 和 shimmer。

TheRouter 编辑重写developers.openai.com ↗

gpt-audio 在 TheRouter 上的定价如何？

TheRouter 以 OpenAI 直接价格转售，不加价。文本输入：$2.50/百万 token。文本输出：$10/百万 token。音频输入：$40/百万 token。音频输出：$80/百万 token。重复提示可享受缓存折扣。