مستندات پلتفرم آیفو | Aifo Platform

مدل Eleven v3 از ElevenLabs یک مدل تبدیل متن به گفتار بسیار بیانگر است که بیش از ۷۰ زبان را پشتیبانی می‌کند. این مدل برای تولید گفتار طبیعی نیاز به مهندسی دقیق‌تر درخواست‌ها دارد و شناسه voice برای استفاده الزامی است.

مدل Scribe v2 از Elevenlabs برای تبدیل گفتار به نوشتار طراحی شده است و از طریق API قابل دسترسی است. این مدل با استفاده از پروتکل elevenlabs_stt فایل‌های صوتی را به متن تبدیل می‌کند. محدودیت اصلی این مدل عدم پشتیبانی از ورودی‌های تصویری است.

مدل gpt-5-mini یک مدل پیشرفته برای پردازش متن و تصویر است که به کاربران امکان می‌دهد تا از قابلیت‌های چندرسانه‌ای برای تولید محتوای متنی استفاده کنند. این مدل با پشتیبانی از ورودی‌های تصویری و قابلیت پخش جریانی، ابزاری قدرتمند برای توسعه‌دهندگان است.

مدل gpt-5.2-chat-latest از OpenAI قابلیت پردازش متنی و تصویری را دارد و می‌تواند در کاربردهای چندرسانه‌ای استفاده شود. این مدل با پشتیبانی از ورودی‌های چندگانه، امکان تعاملات پیچیده‌تر را فراهم می‌کند.

مدل gpt-5.4-mini یک مدل پیشرفته برای تولید متن و پردازش ورودی‌های چندرسانه‌ای است که قابلیت پردازش تصاویر را نیز دارد. این مدل به دلیل توانایی در تولید متون پیچیده و پشتیبانی از ورودی‌های چندگانه، مناسب برای کاربردهای متنوع است.

مدل gpt-5.5 از OpenAI برای تولید متن و پردازش ورودی‌های چندرسانه‌ای طراحی شده است. این مدل قابلیت پردازش تصاویر را نیز دارد و می‌تواند به صورت همزمان پاسخ‌های متنی را به صورت جریانی ارائه دهد.