OpenAI 发布两款新转录模型：性能碾压 Whisper，语音理解进入新阶段

模型概览

OpenAI 在 7 月 29 日发布了两款全新的转录模型：GPT-Live-Transcribe 和 GPT-Transcribe。它们不再只是简单的语音转文字工具，而是能够理解上下文、口音、术语甚至背景噪音的智能引擎。

• GPT-Live-Transcribe：专为低延迟实时场景设计，适合直播、会议等需要即时转录的场景。价格：每分钟 0.017 美元（约 0.12 元人民币）。
• GPT-Transcribe：面向异步批量处理，适用于处理完成后的音频文件。价格：每分钟 0.0045 美元（约 0.03 元人民币）。

性能提升：语义理解与上下文感知

新模型最核心的改进在于对语境的消化能力。在 Context Aware ASR 基准测试中，GPT-Transcribe 在无上下文时的语义准确率为 41.6%，接入上下文后提升至 45.2%。这意味着模型能够根据对话场景准确识别同音异义词和专业术语。

与 Whisper 的对比：差距悬殊

与 OpenAI 上一代模型 Whisper（whisper-1）相比，新模型取得了显著进步：

• 在 Common Voice 覆盖的 22 种语言中，GPT-Transcribe 的转录错误率仅为 19.27%，而 Whisper 为 40.37%，差距超过一倍。
• 在真实世界录音的 9 种语言基准上，GPT-Transcribe 将错误率压低至 8.98%，Whisper 则为 15.21%。

这些结果表明，新模型在带噪环境、专业术语、多口音场景下的表现远超前代。

行业意义与应用前景

语音交互一直以来受限于环境噪声和语义歧义。新模型的发布意味着机器能够更准确地理解人类语音，尤其在会议转录、实时翻译、语音助手等领域将带来质的提升。OpenAI 通过 API 提供这两款模型，开发者可以轻松集成到自己的应用中。

总结

OpenAI 通过 GPT-Live-Transcribe 和 GPT-Transcribe 展示了语音识别技术的新高度。更低的错误率、更强的上下文处理能力，以及灵活的定价方案，使得这两款模型有望成为行业新标杆。