OpenAI引入两种转录模型：低延迟、更好理解上下文

7月29日，OpenAI在X平台官宣了两款新的转录模型——GPT-Live-Transcribe和GPT-Transcribe，并且已经开放API调用。这次的动作，算是把语音转录这条线往前推了一大步。

先说说价格。GPT-Live-Transcribe的转录费用是每分钟0.017美元，而GPT-Transcribe更便宜，每分钟只要0.0045美元。OpenAI表示，相比此前的模型，这两款新模型在理解上下文方面有了明显提升，能更好地处理各种口音和语言，对短语、数字、专业术语，甚至背景噪音很大的语音，都能给出更准确的转录结果。

两者的定位也有区别：GPT-Live-Transcribe专为低延迟实时场景打造，适合需要即时反馈的场合；GPT-Transcribe则优化了异步转录，尤其适合处理已完成音频文件和批量任务。

从基准测试数据来看，提升确实可观。在Context Aware ASR基准上，GPT-Transcribe有上下文时的语义准确率从41.6%上升到了45.2%，涨幅不算小。在Common Voice的22种语言测试中，它的转录错误率只有19.27%，而上一代Whisper是40.37%，几乎翻倍。到了真实世界音频录制的九种语言上，它的错误率更是压到了8.98%，Whisper则是15.21%。

换句话说，无论在实验室环境还是真实场景，这次的两款新模型都拿出了实打实的进步，而且价格上还给出了更灵活的选择。对于有语音转写需求的团队来说，值得关注一下。