OpenAI推出两款转录模型：GPT-Transcribe与GPT-Live-Transcribe
7月29日，OpenAI通过其开发者官方账号宣布，正式推出两款全新的转录模型——GPT-Transcribe与GPT-Live-Transcribe，并已通过API向开发者开放调用。这两款模型在上下文理解和多语言、多口音的真实世界音频转录能力上，相比此前的Whisper模型实现了显著提升。
此次推出的两款模型有着清晰的产品定位，分别面向不同的应用场景：
- GPT-Live-Transcribe：专为低延迟实时转录而设计。它适用于需要即听即转的场景，如实时会议字幕、现场演讲转录、语音助手交互等，力求将延迟降到最低。其调用费用为每分钟0.017美元（约合0.12元人民币）。
- GPT-Transcribe：主要针对已完成音频文件和批量任务的异步转录进行优化。它更适合对成本敏感、且对实时性要求不高的场景，如录音归档、访谈录音整理、播客内容生成等。其定价更低，为每分钟0.0045美元（约合0.03元人民币）。
OpenAI官方表示，这两款新模型相比前代，最大的进步在于能够“更好地理解上下文”。这使得它们在处理带有口音、专业术语、短句以及背景噪音的音频时，能够提供更准确的转录结果。
在多项基准测试中，新模型的性能提升表现直观。例如，在专注评估上下文感知能力的Context Aware ASR基准测试中，GPT-Transcribe在加入上下文信息后，语义准确率从41.6%提升至45.2%。在与自家Whisper模型的对比中，优势更为明显：
- Common Voice基准（22种语言）：GPT-Transcribe的单词错误率为19.27%，而Whisper (whisper-1) 的错误率高达40.37%。
- 真实世界音频录制基准（9种语言）：GPT-Transcribe的错误率进一步降至8.98%，而Whisper为15.21%。
这组数据意味着GPT-Transcribe的转录错误率不到Whisper的一半，尤其在复杂的真实场景下表现出色。目前，这两款新模型已可通过OpenAI API进行调用。
