- 发布日期
低延迟、更好理解上下文
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
OpenAI 今日宣布推出两款全新的转录模型——GPT-Live-Transcribe 和 GPT-Transcribe，旨在通过 API 接口提供更准确、低延迟的语音转文字服务。新模型在上下文理解、多语言支持及嘈杂环境下的表现均有显著提升。
此次发布的模型基于 OpenAI 在语音识别领域的持续研发。此前，OpenAI 已推出 Whisper 系列模型，而新模型在多项基准测试中展现出了明显优势。OpenAI 表示，GPT-Live-Transcribe 专为实时转录场景设计，追求极低延迟；GPT-Transcribe 则优化了异步转录，适用于已完成音频文件和大规模批量处理。
在定价方面，GPT-Live-Transcribe 的转录费用为每分钟 0.017 美元（约合人民币 0.12 元），而 GPT-Transcribe 的费用为每分钟 0.0045 美元（约合人民币 0.03 元）。OpenAI 强调，两种模型能够更好地理解上下文，并在各种口音和语言的真实世界音频上提供更准确的转录，包括短语、数字、专业术语以及带有响亮背景噪音的语音。
性能测试数据进一步印证了模型的提升。在 Context Aware ASR 基准测试中，GPT-Transcribe 的语义准确率从无自由形式上下文时的 41.6% 提升至有上下文时的 45.2%。在 Common Voice 涵盖的 22 种语言测试中，GPT-Transcribe 的转录错误率为 19.27%，远低于此前 Whisper (whisper-1) 的 40.37%。在真实世界音频录制基准的九种语言测试里，GPT-Transcribe 实现了 8.98% 的转录错误率，而 Whisper 为 15.21%。
这些改进意味着开发者可依赖 OpenAI 的 API 构建更可靠的应用，如实时字幕生成、会议记录、语音助手等。尤其是低延迟的 GPT-Live-Transcribe 模型，有望推动直播、远程会议等场景的体验升级。同时，更低成本的 GPT-Transcribe 模型将有助于降低大规模语音数据处理的费用门槛。
OpenAI 此次发布进一步巩固了其在语音 AI 领域的领先地位。随着企业数字化转型加速，对高质量转录服务的需求持续增长。未来，OpenAI 计划继续优化模型在更多语言和特殊场景下的表现，并可能整合到其更广泛的多模态系统中，为语音交互带来全新可能。
