OpenAI 首届开发者日推出多项新 API
OpenAI 在其首届开发者日上推出了一系列新的 API。
DALL-E 3 图像生成 API 上线
DALL-E 3 是 OpenAI 的文本生成图像模型，在最初登陆 ChatGPT 和 Bing Chat 后，现已通过 API 提供。OpenAI 表示，与之前的 DALL-E 版本（如 DALL-E 2）类似，该 API 内置了审核功能，以帮助防止滥用。
DALL-E 3 API 提供不同的格式、质量和分辨率选项，分辨率范围从 1024×1024 到 1792×1024，每张生成图像的起价为 0.04 美元。但与 DALL-E 2 API 相比，它目前仍有一定局限性。
与 DALL-E 2 API 不同，DALL-E 3 无法通过让模型替换现有图像的某些区域或创建现有图像的变体来生成编辑后的图像版本。此外，当向 DALL-E 3 发送生成请求时，OpenAI 表示出于“安全原因”和“增加细节”的考虑，会自动重写该请求——这可能导致根据提示词生成的结果不够精确。
Audio API 文本转语音服务发布
此外，OpenAI 现在提供一款文本转语音 API（Audio API），提供六种预设声音供选择：Alloy、Echo、Fable、Onyx、Nova 和 Shimer，以及两种生成式 AI 模型变体。该 API 今日正式上线，定价为每输入 1000 个字符 0.015 美元起。
OpenAI 的 Sam Altman 在台上表示：“这比我们之前听到的任何其他技术都要自然得多，可以使应用程序的交互更加自然且更具可访问性。”他还指出，“这也解锁了许多用例，例如语言学习和语音助手。”
与一些语音合成平台和工具不同，OpenAI 未提供控制生成音频情感色彩的方法。在 Audio API 的文档中，该公司指出，“某些因素”可能会影响生成声音的效果，例如朗读文本中的大写或语法，但 OpenAI 的内部测试显示结果“好坏参半”。
OpenAI 要求使用其服务的开发者必须告知用户音频是由 AI 生成的。
Whisper large-v3 开源模型更新
在相关公告中，OpenAI 推出了其开源自动语音识别模型的下一个版本——Whisper large-v3，该公司声称该模型在多语言性能上有所提升。它已发布在 GitHub 上，采用宽松许可证授权。