OpenAI 于2025 年 3 月 20 日在API中推出“下一代语音模型”（三款新的语音模型：gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-mini-tts）——提供语音转文本及文本转语音的能力，并具备领先的准确性和可靠性。支持用户通过自然语言与 AI Agent 系统深度交互，帮助提升客服中心、会议记录等复杂场景中的实用价值。
（下面借助 Grok 3 生成）
模型技术细节
| 模型名称 | 类型 | 主要特点 | 定价（每百万令牌） |
|---|---|---|---|
| gpt-4o-transcribe | 语音转文本（STT） | 取代 Whisper，词错误率更低，擅长处理口音、嘈杂环境和多变语音速度，印度语系语言 WER ~30% | 6.00 美元（约 0.006 美元/分钟） |
| gpt-4o-mini-transcribe | 语音转文本（STT） | 取代 Whisper，类似改进，成本更低 | 3.00 美元（约 0.003 美元/分钟） |
| gpt-4o-mini-tts | 文本转语音（TTS） | 可通过自然语言指令自定义语音风格（如情感、口音），目前限预设人工声音 | 文本 0.60 美元，音频 12.00 美元（约 0.015 美元/分钟） |
-
训练与架构：这些模型基于 GPT-4o 和 GPT-4o-mini 架构，预训练于专门的音频数据集，并通过高级蒸馏技术和强化学习优化，转录准确性达到行业领先水平。
-
多语言支持：模型支持 100 多种语言，包括较小语言如马拉雅alam，特别在处理上下文和细微差别方面表现优异，这一点在 Jijo Sunny 的帖子中得到了证实。
-
性能改进：据 VentureBeat 报道，模型在英语中的词错误率低至 2.46%，并配备了噪声消除和语义语音活动检测器，提升了转录准确性。
用户反馈与应用场景
-
早期采用者反馈：EliseAI 和 Decagon 等公司报告了显著改进，例如转录准确性提高了 30%，并在租户互动和客户服务中表现出色。
-
实时应用：这些模型支持流式语音转文本，适合自然对话场景，OpenAI 建议通过 Realtime API 实现低延迟应用。
- 创意竞赛：OpenAI 还在 X 上（@openAI）举办了 OpenAI.fm 的创意使用竞赛，获胜者将获得 Teenage Engineering 定制收音机，进一步鼓励开发者探索这些模型的应用。
行业与社会影响
-
技术进步：这些模型的发布标志着 OpenAI 在语音 AI 领域的又一突破，尤其是在多语言支持和语音处理的准确性上。这可能推动语音交互应用的创新，例如智能客服、语言学习工具和多语言内容创作。
-
开放性争议：与之前的 Whisper 模型不同，这些新模型未开源，OpenAI 认为它们过于庞大，不适合本地运行。这可能引发关于 AI 模型开放性与商业化平衡的讨论，尤其是在学术界和开源社区中。
-
全球包容性：对小语言的支持（如马拉雅alam）可能为全球范围内的 AI 应用带来更大的包容性和可访问性，特别是在发展中国家和语言多样性地区。
定价与可用性
-
这些模型通过 OpenAI 的 API 和自定义演示网站 OpenAI.fm 提供，开发者可以根据需求选择适合的模型。
-
定价策略（如 gpt-4o-mini-transcribe 的低成本选项）可能吸引中小企业和初创公司，但高成本模型（如 gpt-4o-transcribe）可能限制个人用户的广泛采用。
小结
OpenAI 的新语音模型在 2025 年 3 月 20 日 的发布是语音 AI 领域的一次重要进展，特别是在多语言支持和复杂语音场景的处理上。Jijo Sunny 的 X 帖子证实了这些模型的优越性，尤其是 STT 模型在小语言中的表现。这些模型的推出不仅为开发者提供了强大的工具，也可能推动语音交互应用的全球化和创新。
关键引文
扫一扫
628
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
