OpenAI Speech 语音指南：转写、朗读与实时交互
语音应用通常分成三类：把录音转成文字、把文字合成为语音，以及低延迟的实时语音交互。它们的接口、延迟目标和错误处理不同，项目开始时应先选择主要任务，而不是把所有音频能力放在同一条链路中。
1、语音转文字
会议记录、客服质检和语音搜索适合先转写，再把文本交给 Responses API 摘要或分类。上传前检查文件格式、大小、时长和权限；长音频可以按自然停顿切分，但要保存时间戳与片段顺序，避免摘要失去上下文。
专有名词、多人重叠、方言、噪声和远距离录音容易降低准确率。评测时应准备真实环境样本，记录关键词错误、说话人混淆和人工校对时间，而不只测试安静房间中的标准发音。
2、文字转语音
朗读、无障碍和语音助手可以把最终文本转换为音频。生成前先确定语言、语速、停顿和语气，并限制一次输入长度。应用应向用户清楚说明声音由 AI 生成，不得用于冒充真实个人或制造误导性身份。
服务端可以缓存固定欢迎语等不会变化的音频，减少重复生成。动态内容则要处理生成失败、播放取消和网络中断，避免用户在重复点击后同时播放多个音轨。
3、什么时候使用实时语音
需要边说边听、低延迟打断和连续交互时，再考虑 Realtime API。实时系统还要处理麦克风权限、回声、轮次判断、连接重建和会话费用，复杂度显著高于“录音上传后转写”。
所有录音与转写都应有明确告知、授权、保存期限和删除入口。敏感行业还要遵守适用的录音与数据规则。下一页介绍把文本转成向量，用于相似度搜索与检索。