可用模型
2026 年 9 月 24 日公开价格配置中的音频模型如下，价格与计费方式以模型与价格总表为准：
单个文件的大小上限、支持的音频格式和可选音色，以 OpenAI 的语音转文字和文字转语音文档为准。
准备密钥
在令牌管理创建 API Key，写入环境变量；使用 Python 示例时，先执行python -m pip install openai。
音频转录
把要转录的音频放在当前目录，命名为audio.mp3。下面使用 whisper-1，换成 gpt-4o-mini-transcribe 时只需修改 model。
- cURL
- Python
-F "file=@audio.mp3"上传的是文件内容；只写文件名不会上传音频。- 使用
-F时让 cURL 自动设置 multipart 的Content-Type，不要另加application/json。
text 字段：
指定语言和提示词
以下两个可选字段能提高转录准确度：language：音频的语言代码，例如中文zh、英文en。不填时模型自动识别。prompt：一段提示文字，写入产品名、人名等专有名词，帮助模型按这些写法输出。
生成字幕和时间戳
whisper-1 可以用 response_format 直接输出字幕或分段时间戳：
以下示例把字幕保存为
audio.srt：
json，传入上表中的其他格式会报错。需要字幕或时间戳时使用 whisper-1。
语音生成
以下三个字段都必填：model：语音生成模型 ID；voice：音色名，例如alloy；input：要朗读的文字。
speech.mp3。
- cURL
- Python
speech.mp3 即可试听。cURL 请求失败时，speech.mp3 里保存的是错误 JSON 而不是音频，用文本编辑器打开即可看到原因。
控制语气和输出格式
两个可选字段：instructions：仅gpt-4o-mini-tts支持，描述朗读的语气、语速和情绪。response_format：所有语音模型都支持，默认mp3，也可以设为wav等格式，完整列表见 OpenAI 的文字转语音文档。
常见问题
转录模型怎么选？
一般转录用gpt-4o-mini-transcribe，单价低于 gpt-4o-transcribe，中英文的标点和数字都比较规范。需要 SRT、VTT 字幕或分段时间戳时用 whisper-1。对准确度要求更高时换成 gpt-4o-transcribe，单价见模型与价格总表。
能转录中文吗？
能。三个转录模型都支持中文。建议加上language=zh，并把专有名词写进 prompt，示例见指定语言和提示词。
能让模型听音频并回答问题吗？
转录接口只返回文字。需要模型直接理解音频，例如总结会议录音、判断说话人的意图，可以用 Gemini 模型的原生接口，见 Gemini 协议：发送 PDF 和音频。GPT-6、GPT-5.6 等聊天模型不接受音频输入。为什么保存的音频文件打不开？
请求失败时，cURL 的-o 会把错误 JSON 写进音频文件。用文本编辑器打开该文件查看错误原因，或去掉 -o 重新请求。
另外检查文件扩展名是否与 response_format 一致，例如 WAV 格式要保存为 .wav。