はじめに

2024/10/18 の公式からのポストで「OpenAI の Chat Completions API でオーディオを扱う機能がリリースされた」という話が投稿されていました。

今月始めにオーディオ系APIで「Realtime API」が出ていましたが、それとは別のもののようです。

●Introducing the Realtime API | OpenAI
　https://openai.com/index/introducing-the-realtime-api/

上記の Realtime API に関する記事の冒頭を見ると、下記の記載が追記されていたようでした。

「Update on October 17, 2024: Audio inputs and outputs are now available in the Chat Completions API. Get started here⁠(opens in a new window).」

公式ドキュメントの情報

APIドキュメントの該当箇所

上で紹介した公式のポストでも、Realtime API の記事の冒頭に追加されていたテキストでも、Chat Completions API でオーディオを扱う機能に関するリンクとして、以下のページへのリンクが掲載されていました。

●Audio generation - OpenAI API
　https://platform.openai.com/docs/guides/audio

冒頭に箇条書きとともに書いてある説明を抜粋して、少し訳をつけてみます。

You can use these audio capabilities to:
- Generate a spoken audio summary of a body of text (text in, audio out)： 【テキスト入力、オーディオ出力】テキストの要約を音声で出力する
- Perform sentiment analysis on a recording (audio in, text out)： 【オーディオ入力、テキスト出力】録音されたオーディオに対して感情分析を行う
- Async speech to speech interactions with a model (audio in, audio out)： 【オーディオ入力、オーディオ出力】モデルとの非同期の音声のやりとりをする

単純な音声合成や音声認識を行う場合

その下には、単純に音声合成や音声認識をやるだけなら、以前から提供されている API を使うほうがコストが安い、という注意書きも書かれていました。

以前からある API、というのは以下のものです。

●Speech to text - OpenAI API
　https://platform.openai.com/docs/guides/speech-to-text

●Text to speech - OpenAI API
　https://platform.openai.com/docs/guides/text-to-speech

クイックスタート

さらに、公式ドキュメントを見ていくと、クイックスタートの情報もありました。

画面上部を操作して切り替えを行うと、「Audio output from model」と「Audio input to model」の 2種類の内容を見ることができるようになっています。
どちらも、サンプルコード内で指定しているモデルは 「gpt-4o-audio-preview」　となっています。

また、サンプルコードが表示されている部分の右上部分で、「JavaScript」「Python」「curl」を切り替えられるようでした。

curl のサンプル

例えば、curl のサンプルだと以下が表示されました。

curlのサンプル： Audio output from model

curl "https://api.openai.com/v1/chat/completions" \
    -H "Content-Type: application/json" \
    -H "Authorization: Bearer $OPENAI_API_KEY" \
    -d '{
      "model": "gpt-4o-audio-preview",
      "modalities": ["text", "audio"],
      "audio": { "voice": "alloy", "format": "wav" },
      "messages": [
        {
          "role": "user",
          "content": "Is a golden retriever a good family dog?"
        }
      ]
    }'

curlのサンプル： Audio input to model

curl "https://api.openai.com/v1/chat/completions" \
    -H "Content-Type: application/json" \
    -H "Authorization: Bearer $OPENAI_API_KEY" \
    -d '{
      "model": "gpt-4o-audio-preview",
      "modalities": ["text", "audio"],
      "audio": { "voice": "alloy", "format": "wav" },
      "messages": [
        {
          "role": "user",
          "content": [
            { "type": "text", "text": "What is in this recording?" },
            { 
              "type": "input_audio", 
              "input_audio": { 
                "data": "<base64 bytes here>", 
                "format": "wav" 
              }
            }
          ]
        }
      ]
    }'

ドキュメントの続き

さらにドキュメントを見ていくと「Multi-turn conversations」や「FAQ」といった項目の記載がありました。

FAQ の部分では、「gpt-4o-audio-preview で扱える入出力の種類の詳細」や「Realtime API との違い」についてなどが書かれています。

価格のページ

利用時の価格については、Pricing のページの、以下の「gpt-4o-audio-preview」に関する箇所を見れば良さそうでした。