مستندات پلتفرم آیفو | Aifo Platform

مدل Eleven v3 از ElevenLabs یک مدل تبدیل متن به گفتار (TTS) بسیار بیانگر است که از بیش از ۷۰ زبان پشتیبانی می‌کند. این مدل نیازمند مهندسی پیشرفته‌تر دستورات ورودی نسبت به مدل‌های قبلی است و برای استفاده از آن باید شناسه voice تعیین شود.

Scribe v2 یک مدل تبدیل گفتار به متن است که توسط Elevenlabs ارائه شده و برای تبدیل فایل‌های صوتی به متن طراحی شده است. این API از طریق پروتکل elevenlabs_stt و با ارسال درخواست POST به آدرس /v1/audio/transcriptions قابل دسترسی است و تنها ورودی مورد نیاز آن فایل صوتی است.

مدل gpt-5-mini با قابلیت پردازش متن و تصویر، برای ایجاد مکالمات هوشمند و تعاملی طراحی شده است. این مدل از ورودی‌های چندرسانه‌ای پشتیبانی می‌کند اما قابلیت استدلال پیشرفته ندارد.

مدل gpt-5.2-chat-latest یک ابزار پیشرفته برای تولید متن و تعاملات چت است که قابلیت پردازش ورودی‌های متنی و تصویری را دارد. این مدل با پشتیبانی از استریمینگ، امکان تعاملات پویا و همزمان را فراهم می‌کند، اما قابلیت پردازش صوتی ندارد.

مدل gpt-5.4-mini یک مدل چندوجهی است که از ورودی‌های متنی و تصویری پشتیبانی می‌کند و قابلیت تولید پاسخ‌های متنی با کیفیت بالا را دارد. این مدل امکان استریم پاسخ‌ها را فراهم می‌کند اما از ورودی صوتی پشتیبانی نمی‌کند.

مدل gpt-5.5 با قابلیت پردازش چندرسانه‌ای، امکان تعامل متنی و تصویری را فراهم می‌کند. این مدل با پشتیبانی از استریمینگ، تجربه کاربری روانی ارائه می‌دهد اما قابلیت استدلال ندارد.