OpenAI 引入两种转录模型：低延迟、更好理解上下文

这玩意儿能听懂我说话吗？

说实话，每次语音转文字我都想砸手机。

背景噪音一多，它就开始胡言乱语。

但今天，OpenAI 放出了两个新模型。

有一个被称作GPT-4o-Live-Transcribe, 还有一个名为GPT-4o-Transcribe。

名字很长，但关键是——它说它听懂了口音。

价格到底贵不贵？

官方没说具体数字。

但根据以往套路，大概率是按分钟计费。

比 Whisper 贵一点？还是便宜？

我猜，贵，但值得。

毕竟它连“华南吴彦祖”这种梗都能识别。

口音问题真的解决了吗？

官方说，在22种语言上，错误率从40%降到19%。

几乎砍了一半。

九种语言的真实场景测试，错误率只有8.98%。

你想想，以前开会录音转文字，满屏的“嗯嗯啊啊”。

现在可能真的能看了。

实时转录和异步转录有啥区别？

GPT-4o-Live-Transcribe 是用于直播的, GPT-4o-Live-Transcribe 是用于会议的。

你说一句，它转一句，延迟低到几乎感觉不到。

GPT-4o-Transcribe 是给录好的音频用的。

播客、采访、录音笔，丢进去，等它吐出来。

专业术语它也能搞定？

医生说“心肌梗死”，它不会写成“心机梗死”。

程序员说“API接口”，它不会写成“A片接口”。

这就很离谱了，以前这些词全是坑。

有上下文加持，准确率飙升

没有上下文，语义准确率41.6%。

给了上下文，直接飙到45.2%。

别小看这3.6%，在长对话里，差一点就是天壤之别。

所以，我该不该用？

如果你是做播客、做会议纪要、做字幕的。

别犹豫，直接上API。

如果你只是偶尔语音输入，等它集成到App里。

但说实话，8.98%的错误率，已经比很多人类打字员强了。

至少它不会嫌你说话慢。

相关标签： # OpenAI # 转录模型 # GPT-Live-Transcribe # GPT-Transcribe # 上下文理解