OpenAI在其首次开发者日上推出了一系列新的API。DALL-E3是OpenAI的文本到图像模型，在首次应用于ChatGPT和BingChat之后，现在可以通过API使用。OpenAI表示，与前一版本的DALL-E（如DALL-E2）类似，API包含了内置内容节制功能，有助于防止滥用。
DALL-E3API提供不同的格式和质量选项，分辨率从1024×1024到1792×1024，每张生成图片的价格从0.04美元起。不过，与DALL-E2API相比，它的功能还有些有限--至少目前是这样。
与DALL-E2API不同的是，DALL-E3不能用来创建编辑版本的图像，即让模型替换已有图像的某些区域或创建已有图像的变体。OpenAI表示，当生成请求被发送到DALL-E3时，它会"出于安全考虑"和"增加更多细节"而自动重写，这可能会导致不那么精确的结果，具体取决于提示。
在其他方面，OpenAI现在提供了一个文本到语音API--AudioAPI，它提供了六种预设语音--Alloy、Echo、Fable、Onyx、Nova和Shimer--供用户选择，还提供了两种生成式AI模型变体。它从今天开始上线，每次输入1000个字符的价格为0.015美元。
OpenAI的CEOSamAltman在台上说："这比我们听到的其他任何东西都要自然得多，这可以让应用程序的交互更自然，更易于使用。它还能解锁很多用例，比如语言学习和语音辅助。"
与某些语音合成平台和工具不同的是，OpenAI并不提供控制所生成音频的情感影响的方法。在音频API的文档中，该公司指出，"某些因素"可能会影响生成的声音听起来如何，比如朗读文本中的大小写或语法，但OpenAI在这方面的内部测试结果"好坏参半"。
OpenAI要求使用人工智能的开发者告知用户音频是由人工智能生成的。
在一份相关的公告中，OpenAI推出了其开源自动语音识别模型Whisperlarge-v3的下一个版本，该公司声称该模型在各种语言中的性能都有所提高。该版本已在GitHub上发布，采用许可授权。
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】