7月29日，OpenAI悄然推出了两款新的听觉引擎——GPT-Live-Transcribe和GPT-Transcribe，这两个转录模型正式通过API开放调用。它们不再只是把声音转成文字的搬运工，而是开始学着去理解一句话背后的上下文：口音、术语、数字，甚至背景里那阵喧闹的人声，都不再轻易让它们犯晕。

两款模型各有所长。GPT-Live-Transcribe天生为低延迟的实时场景而造，像一位贴着说话人同步落笔的速记员，每分钟收费0.017美元，按现汇率约合0.12元软妹币。GPT-Transcribe则把力气花在已完成的音频文件和批量任务上，走异步转录的路子，价格压到每分钟0.0045美元，约合0.03元软妹币，更适合事后成批消化录音的活儿。

真正拉开代差的，是它们对语境的消化能力。在Context Aware ASR基准上，GPT-Transcribe的语义准确率从没有自由形式上下文时的41.6%，一路爬升到接入上下文后的45.2%——它开始明白，同一个词在不同对话里可能意味着完全不同的东西。

面对Whisper这位老前辈，新模型几乎赢下了一个身位。在Common Voice覆盖的22种语言里，GPT-Transcribe把转录错误率压到了19.27%，而Whisper（whisper-1）还停在40.37%，差距超过一倍；放到真实世界录音的九种语言基准上，它更是把错误率砍到8.98%，把Whisper的15.21%远远甩在身后。当机器能听清带噪环境下的专业术语，语音交互那扇一直半掩的门，似乎又被推开了一道缝。

《夸克》非常好用的免费AI浏览器

下载APP查看