用途：在单次有界请求中完成 OpenAI 音频生成与理解，包括旁白生成、产品演示配音、播客或访谈转录、字幕时间轴、翻译为英文、音频质检，以及为现有聊天流程加入音频输入输出。实时低延迟语音到语音、实时翻译、SIP/WebRTC 会话与语音活动检测不属于本技能，应使用独立的实时语音技能。
主要能力与端点：语音合成使用 POST /v1/audio/speech，支持 gpt-4o-mini-tts、固定快照 gpt-4o-mini-tts-2025-12-15、tts-1、tts-1-hd，输入上限 4096 字符，输出格式含 mp3、opus、aac、flac、wav、pcm，速度 0.25–4.0；gpt-4o-mini-tts 支持 instructions 语音控制，tts-1/tts-1-hd 不支持。转录使用 POST /v1/audio/transcriptions，模型含 gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize、whisper-1，上传上限 25 MB；diarize 不支持 prompt、logprobs、timestamp_granularities[]，超过 30 秒需 chunking_strategy。翻译使用 POST /v1/audio/translations，目前仅 whisper-1 可译为英文。带音频聊天可用 gpt-audio-1.5 配合 modalities 与 input_audio。
使用方式：先判断输入、输出、时间形态与审批风险，再选端点与模型；不要静默替换路由。合成前先写适合朗读的脚本，明确发音与表演指令，先做短试听并留存审批记录，再批量生成。成品建议保留 WAV/FLAC 母版，MP3/AAC 仅作交付副本。
限制：价格易变，需以官方定价页为准；语音使用需获得授权并明确告知 AI 生成；自定义语音仅限合格客户并需单独同意与样本录音。资料未提供具体价格数值与完整代码示例。