OpenAI 推出两款转录模型：GPT-Live-Transcribe 与 GPT-Transcribe

OpenAI 于 7 月 29 日发布了两款新一代音频转录模型——GPT-Live-Transcribe 与 GPT-Transcribe，现已通过 API 开放调用。与单纯的语音转文字工具不同，这两款模型强调对上下文的理解能力，能够更好地处理口音、专业术语、数字以及背景噪音等复杂场景。

两款模型定位各异。GPT-Live-Transcribe 面向实时转录场景，以低延迟为设计目标，定价为每分钟 0.017 美元（约合人民币 0.12 元）；GPT-Transcribe 则专注异步处理，适用于已录制音频及批量任务，价格为每分钟 0.0045 美元（约合人民币 0.03 元）。

上下文理解是此次升级的核心。测试显示，GPT-Transcribe 在 Context Aware ASR 基准测试中，语义准确率从无上下文时的 41.6% 提升至 45.2%，表明模型能够结合语境判断词义。

与 OpenAI 自家的 Whisper 相比，新模型进步显著。在 Common Voice 涵盖的 22 种语言测试中，GPT-Transcribe 错误率为 19.27%，低于 Whisper（whisper-1）的 40.37%；在真实世界九种语言录音基准上，其错误率进一步降至 8.98%，而 Whisper 为 15.21%。