Speech（语音）

最后更新：2026-08-12· 14 分钟阅读

🚀 快速通道

ChatGPT 国内版：点击直达↗
稳定镜像站：打开镜像↗
官方 ChatGPT：chatgpt.com ↗

Speech（语音）

更新时间：2026-08-12

导读

语音能力是许多 AI 产品的「最后一公里」：把用户的口述变成可检索文本，再把模型回复读出来。OpenAI Platform 提供 Speech-to-Text（STT） 与 Text-to-Speech（TTS） REST 端点，并与 Realtime API、多模态 Responses 组合成完整语音栈。模型名（如 whisper-1、gpt-4o-transcribe、tts-1、tts-1-hd）、音频格式支持与单价以 Speech 文档与定价页为准，上线前务必核对最新列表。

架构选型：REST 还是 Realtime？

模式	适用	延迟	复杂度
REST STT + Responses + TTS	录音上传、会议纪要、离线批处理	秒级～十秒级	低，易调试
Realtime 全双工	语音助手、同声传译式交互	亚秒～秒级	高，需 WebSocket
仅 STT	字幕、合规存档、搜索索引	—	最低
仅 TTS	播报、无障碍朗读	—	最低

建议： 先 REST 三段式跑通业务闭环，再评估 Realtime 是否 worth 额外工程成本。

STT：转写端点

端点	用途
`/v1/audio/transcriptions`	原语言转写
`/v1/audio/translations`	非英语音频 → 英文（以文档为准）

curl https://api.openai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F file="@call.mp3" \
  -F model="whisper-1" \
  -F language="zh" \
  -F response_format="verbose_json"

from openai import OpenAI

client = OpenAI()
with open("call.mp3", "rb") as f:
    tx = client.audio.transcriptions.create(
        model="whisper-1",  # 以 Models 页当前 ID 为准
        file=f,
        language="zh",
        response_format="verbose_json",
    )
print(tx.text)

预处理与切分

实践	原因
mp3 / wav / m4a 等文档列格式	减少 codec 失败
超长按静音或 5–10 分钟切段	规避单文件大小与超时
单声道、适度降噪	提升识别率
传 `language="zh"`	降低误识别语言

转写结果进入下游前做标点规范化、敏感词过滤；摘要与分类交给 Responses，不要塞进 STT 参数里硬做。

输出格式

text：纯文本，最简单
verbose_json：含 segments 时间戳，适合播放器跳转
srt / vtt：字幕文件，注意与播放器兼容性

TTS：合成端点

POST /v1/audio/speech 把文本变为 mp3、opus 或 pcm。

from pathlib import Path
from openai import OpenAI

client = OpenAI()
speech = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="您的工单已受理，预计两个工作日内回复。",
    response_format="mp3",
)
Path("reply.mp3").write_bytes(speech.content)

参数	开发注意
`voice`	列表以文档为准；不同 voice 风格差异大，产品内固定 1–2 个
`speed`	若支持，IVR 场景可略提速
stream	长文朗读边生成边播放，降低首包等待

缓存策略： 固定话术（验证码、标准回复）按 (voice, text) hash 缓存 mp3，可显著降本。

典型流水线

用户录音 → 对象存储 → STT → 文本清洗 → Responses（摘要 / 意图 / 回复）
                                              ↓
                                    可选 TTS → CDN → 客户端播放

与 Vision 组合：视频抽音轨 STT + 关键帧视觉理解。转写文本进 RAG 见 Embeddings 指南（PII 脱敏后索引）。

计费、限流与合规

STT 常见按分钟；TTS 常见按字符——具体见 openai.com/api/pricing
429 / 5xx 指数退避；批处理走异步 worker
录音转写需用户同意与隐私政策披露
医疗、法律场景需人工复核；禁止 TTS 冒充他人声音

常见问题

Whisper 中文专业术语不准怎么办？

传 language="zh"，并在 Responses 后处理阶段用领域词表纠错；极端场景考虑自定义词典 + 人工抽检。

超过单文件大小限制？

按静音切分或固定时长切片；查文档是否支持 Batch API。

TTS 能克隆真人吗？

以平台政策为准；商用声音克隆需法务与授权评估。

REST 和 Realtime 能否混用？

可以：Realtime 负责对话，REST STT 负责离线归档，共用同一 Responses 后端。

转写结果直接存库合规吗？

需最小化保留、加密存储、设定 retention；敏感内容脱敏后再入库或索引。

官方资源

下一步阅读

行动路径

今天：1 分钟中文 mp3 跑通 transcriptions，保存 verbose_json。明天：同一段回复文案生成 mp3，对比 tts-1 与 hd 档。本周：搭「上传 → STT → Responses 摘要 → 可选 TTS」并记录每分钟 STT 成本。

导读