gpt-audio-1.5

openaiopenai/gpt-audio-1.5

Best voice model for audio in, audio out with Chat Completions.

OpenAI 模型文档 — GPT Audio 1.5 ↗Azure Foundry — GPT Audio 1.5 模型目录 ↗Azure OpenAI 新模型（2026 年 2 月发布公告） ↗OpenAI 弃用公告 — gpt-4o-audio-preview 弃用 ↗

GPT Audio 1.5 是 OpenAI 正式发布的音频原生模型——它是第一个去掉 '-preview' 后缀的 GPT Audio 模型，推荐替代之前的 gpt-4o-audio-preview 和 gpt-4o-mini-audio-preview 变体用于生产环境。该模型于 2026 年 2 月与实时对话兄弟模型 gpt-realtime-1.5 一同发布，通过 api.therouter.ai/v1 的标准 Chat Completions REST API 访问，使用同样的 modalities 和 audio 参数模式。模型接受音频输入，单次往返即可同时生成文本文稿和 base64 编码的音频输出，无需单独的 Whisper 转录和 TTS 管线。

从 TheRouter 路由层来看，gpt-audio-1.5 是一个重要的里程碑：它是第一个全面 GA 的 OpenAI 音频模型，具备生产稳定性保证、不会在同年意外弃用，并且相比 gpt-4o-audio-preview 预览时代大幅降价（音频 token $40/$80 对比 $100/$200 每百万——降幅达 60%）。与 2026 年 1 月的首个 GA 快照 gpt-audio 相比，1.5 版本进一步改进了指令遵循、多语言语音质量和工具调用可靠性。对于 TheRouter 用户，它同时取代 gpt-4o-audio-preview（2026 年 5 月弃用）和 gpt-audio（原始 GA 快照），成为默认的音频输入/输出 Chat Completions 模型。

适合使用

• 生产级语音输入/输出应用——语音笔记、语音消息、播客式内容生成和交互式语音应答（IVR）系统，现已具备 GA 稳定性保障
• 带改进指令遵循的音频摘要——长音频录音在单次 API 调用中完成转写、摘要和结构化（说话人标签、行动项）
• 多语言语音应用——改进的非英语准确性使其适用于日语、印度语系和欧洲语言的语音工作流
• 语音触发的工具调用——客户口头投诉或请求可在单次请求中触发结构化工具（工单创建、升级、知识库搜索），可靠性相比预览版模型有所提升

不适合使用

• 需要 <200 ms 音频到音频延迟的实时对话 AI——请在 TheRouter 上使用 gpt-realtime-1.5（通过 WebSocket 的 Realtime API）以获取持久低延迟连接
• 纯文本工作负载——标准 GPT-4o 或 GPT-4o Mini 文本模型更便宜（$4/$16 对比 GPT-4o Mini 的 $2.50/$10 每百万文本 token），没有音频模态开销
• 高吞吐流式转录——请在 TheRouter 上使用 gpt-4o-transcribe 或 gpt-4o-mini-transcribe，以极低成本完成专门的语音转文本工作负载

供应商自营与 TheRouter 服务形态的差异

供应商自己运营时

OpenAI 通过 Chat Completions API 提供 GPT Audio 1.5，用于音频输入/输出请求，使用其官方端点文档中的相同 modalities 和 audio 参数。

在 TheRouter 上

TheRouter 在 https://api.therouter.ai/v1 暴露相同的 Chat Completions 契约：只需把 base URL、API key 和模型 ID 改为 openai/gpt-audio-1.5。此页面不暗示提供实时 WebSocket 行为。

developers.openai.com ↗

上下文长度

最大输出

输入价格每百万 tokens

$4.32每百万 Tokens

输出价格每百万 tokens

$17.28每百万 Tokens

模态能力

文本音频图像→文本音频

能力

视觉理解

价格明细

类型	费率
输入	$4.32 每百万 Tokens
输出	$17.28 每百万 Tokens
Audio input	$34.56 每百万 Tokens
Audio output	$69.12 每百万 Tokens
Image input	$5.40 每百万 Tokens

支持参数

temperaturemax_tokenstop_ptoolstool_choiceresponse_formatmodalitiesaudio

模型规格

发布日期	2026-02-23（与 gpt-realtime-1.5 一同发布）learn.microsoft.com ↗	已核实
状态	正式可用（GA）——替代 gpt-4o-audio-preview 和 gpt-4o-mini-audio-preview；这些模型于 2026-05-07 弃用developers.openai.com ↗	已核实
训练数据截止	未公开披露	未知
输出模态	音频+文本（通过 modalities 参数双输出）；音频格式 wav, mp3, flac, opus, pcm16, aaclearn.microsoft.com ↗	已核实
支持的语音	Alloy, Ash, Ballad, Coral, Echo, Sage, Shimmer, Verse, Marin, Cedar（10 种）learn.microsoft.com ↗	已核实
最大音频文件大小	每个输入音频文件 20 MBlearn.microsoft.com ↗	已核实
工具 / 函数调用	支持——根据 2026 年 2 月发布说明，可靠性相比 gpt-4o-audio-preview 有提升techcommunity.microsoft.com ↗	已核实
结构化输出 (JSON)	该音频模型未公开披露	未知
许可	OpenAI 服务条款（闭源，仅 API）	已核实

基准成绩

Benchmark	Distribution	Score	Source
Big Bench Audio OpenAI 和 Azure 材料说明 GPT Audio 1.5 改进了指令遵循、多语言音频质量和工具调用，但没有为这个 Chat Completions 模型公布单独的 Big Bench Audio 分数。	—	未公开披露	—
Multilingual WER reduction Azure Foundry 发布文章称 GPT Audio 1.5 改进了多语言音频质量，包括日语和印度语系场景，但没有公布确切 WER 或准确率数据。	—	未公开披露	—
Tool calling accuracy Azure Foundry 发布文章将更好的指令遵循和更可靠的工具调用列为 GPT Audio 1.5 的改进，但没有披露通过率或基准分数。	—	未公开披露	—

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-1.5",
    "messages": [
      {"role": "user", "content": "Summarize the key points from this input."}
    ]
  }'

API 使用指南

完整 API 参考 →

音频输入输出对话

通过 TheRouter 的 OpenAI 兼容端点进行音频对话——传入 modalities 和 audio 参数即可获取语音回复。

cURL

# Encode audio to base64 first:
# AUDIO_B64=$(base64 -i input.mp3)

curl https://api.therouter.ai/v1/chat/completions \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-audio-1.5",
    "modalities": ["text", "audio"],
    "audio": {"voice": "alloy", "format": "wav"},
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "What is in this audio recording?"},
          {"type": "input_audio", "input_audio": {"data": "'"$AUDIO_B64"'", "format": "mp3"}}
        ]
      }
    ]
  }'

openai 其他模型

openai/gpt-realtime-1.5通过 WebSocket 实现 <200 ms 延迟的实时音频对话 openai/gpt-audioGPT Audio 原始 GA 快照（2026 年 1 月）openai/gpt-audio-mini针对更简单语音工作负载的成本优化音频输入/输出模型 openai/gpt-4o-transcribe专为大容量转录设计的语音转文本模型 openai/gpt-4o-mini-tts专为高质量语音合成设计的文本转语音模型

动态与变更

2026-02-23

OpenAI 发布 gpt-audio-1.5 和 gpt-realtime-1.5

OpenAI 于 2026 年 2 月 23 日向 Chat Completions API 发布了 gpt-audio-1.5，向 Realtime API 发布了 gpt-realtime-1.5。两款模型均改进了指令遵循、多语言性能和工具调用可靠性。gpt-audio-1.5 成为第一个全面 GA 的 GPT Audio 模型，以显著更低的定价（$40/$80 vs $100/$200 每百万音频 token）替代 gpt-4o-audio-preview 变体。gpt-4o-audio-preview 和 gpt-4o-mini-audio-preview 于 2026 年 5 月 7 日正式弃用。

TheRouter 编辑重写learn.microsoft.com ↗

常见问题

gpt-audio-1.5 与 gpt-4o-audio-preview 有什么区别？

gpt-audio-1.5 是 gpt-4o-audio-preview 的正式可用后继版本。主要区别：(1) GA 状态，提供生产稳定性保障而非'预览'版；(2) 音频 token 定价大幅降低（$40/$80 vs $100/$200 每百万 token）；(3) 改进的指令遵循、多语言准确性和工具调用可靠性。API 参数完全相同——只需更改模型名称。gpt-4o-audio-preview 已于 2026 年 5 月 7 日弃用。

TheRouter 编辑重写developers.openai.com ↗

我现在可以在 TheRouter 上使用 gpt-audio-1.5 吗？

是的。gpt-audio-1.5 完全可在 TheRouter 上使用，通过 api.therouter.ai/v1 的标准 OpenAI 兼容 /v1/chat/completions 端点。只需在现有代码中将模型名称设置为 'openai/gpt-audio-1.5' 即可。API 接受与 gpt-4o-audio-preview 相同的 modalities 和 audio 参数——除模型 ID 外无需迁移更改。

gpt-audio-1.5 支持哪些音频格式？

GPT Audio 1.5 支持 wav、mp3、flac、opus、pcm16 和 aac 格式的音频输入。音频输入以 base64 编码数据的形式提供在 input_audio 内容部分。最大输入音频文件大小为 20 MB。输出音频以指定格式（默认 wav）的 base64 编码数据返回。当 modalities 同时包含 'text' 和 'audio' 时，模型同时输出文本文稿和音频负载。