Speech（語音）

最後更新：2026-08-12· 14 分鐘閱讀

🚀 快速通道

ChatGPT 國內版：點擊直達↗
穩定鏡像站：開啟鏡像↗
官方 ChatGPT：chatgpt.com ↗

Speech（語音）

更新時間：2026-08-12

導讀

語音能力是許多 AI 產品的「最後一公里」：把使用者的口述變成可檢索文字，再把模型回覆讀出來。OpenAI Platform 提供 Speech-to-Text（STT） 與 Text-to-Speech（TTS） REST 端點，並與 Realtime API、多模態 Responses 組合成完整語音棧。模型名（如 whisper-1、gpt-4o-transcribe、tts-1、tts-1-hd）、音訊格式支援與單價以 Speech 文件與定價頁為準，上線前務必核對最新列表。

架構選型：REST 還是 Realtime？

模式	適用	延遲	複雜度
REST STT + Responses + TTS	錄音上傳、會議紀要、離線批次處理	秒級～十秒級	低，易除錯
Realtime 全雙工	語音助手、同聲傳譯式互動	亞秒～秒級	高，需 WebSocket
僅 STT	字幕、合規存檔、搜尋索引	—	最低
僅 TTS	播報、無障礙朗讀	—	最低

建議： 先 REST 三段式跑通業務閉環，再評估 Realtime 是否 worth 額外工程成本。

STT：轉寫端點

端點	用途
`/v1/audio/transcriptions`	原語言轉寫
`/v1/audio/translations`	非英語音訊 → 英文（以文件為準）

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 頁當前 ID 為準
        file=f,
        language="zh",
        response_format="verbose_json",
    )
print(tx.text)

預處理與切分

實踐	原因
mp3 / wav / m4a 等文件列格式	減少 codec 失敗
超長按靜音或 5–10 分鐘切段	規避單檔大小與逾時
單聲道、適度降噪	提升識別率
傳 `language="zh"`	降低誤識別語言

轉寫結果進入下游前做標點規範化、敏感詞過濾；摘要與分類交給 Responses，不要塞進 STT 參數裡硬做。

輸出格式

text：純文字，最簡單
verbose_json：含 segments 時間戳，適合播放器跳轉
srt / vtt：字幕檔，注意與播放器相容性

TTS：合成端點

POST /v1/audio/speech 把文字變為 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="您的工單已受理，預計兩個工作天內回覆。",
    response_format="mp3",
)
Path("reply.mp3").write_bytes(speech.content)

參數	開發注意
`voice`	列表以文件為準；不同 voice 風格差異大，產品內固定 1–2 個
`speed`	若支援，IVR 場景可略提速
stream	長文朗讀邊生成邊播放，降低首包等待

快取策略： 固定話術（驗證碼、標準回覆）按 (voice, text) hash 快取 mp3，可顯著降本。

典型流水線

使用者錄音 → 物件儲存 → STT → 文字清洗 → Responses（摘要 / 意圖 / 回覆）
                                              ↓
                                    可選 TTS → CDN → 用戶端播放

與 Vision 組合：影片抽音軌 STT + 關鍵幀視覺理解。轉寫文字進 RAG 見 Embeddings 指南（PII 去識別後索引）。

計費、限流與合規

STT 常見按分鐘；TTS 常見按字元——具體見 openai.com/api/pricing
429 / 5xx 指數退避；批次處理走非同步 worker
錄音轉寫需使用者同意與隱私政策披露
醫療、法律場景需人工覆核；禁止 TTS 冒充他人聲音

常見問題

Whisper 中文專業術語不準怎麼辦？

傳 language="zh"，並在 Responses 後處理階段用領域詞表糾錯；極端場景考慮自訂詞典 + 人工抽檢。

超過單檔大小限制？

按靜音切分或固定時長切片；查文件是否支援 Batch API。

TTS 能克隆真人嗎？

以平台政策為準；商用聲音克隆需法務與授權評估。

REST 和 Realtime 能否混用？

可以：Realtime 負責對話，REST STT 負責離線存檔，共用同一 Responses 後端。

轉寫結果直接存庫合規嗎？

需最小化保留、加密儲存、設定 retention；敏感內容去識別後再入庫或索引。

官方資源

下一步閱讀

行動路徑

今天：1 分鐘中文 mp3 跑通 transcriptions，儲存 verbose_json。明天：同一段回覆文案生成 mp3，對比 tts-1 與 hd 檔。本週：搭「上傳 → STT → Responses 摘要 → 可選 TTS」並記錄每分鐘 STT 成本。

導讀