OpenAI公司近日正式推出两款全新转录模型——GPT-Live-Transcribe与GPT-Transcribe，现已开放API接口供开发者调用。这两款模型在转录精度、多语言支持及复杂场景适应性方面实现显著突破，尤其针对口音差异、专业术语及背景噪音等传统技术痛点进行优化。
根据技术文档披露，GPT-Live-Transcribe专为实时场景设计，通过动态流式处理技术将延迟控制在极低水平，适用于直播字幕、会议记录等需要即时响应的场景。其收费标准为每分钟0.017美元（约合人民币0.12元）。另一款模型GPT-Transcribe则聚焦于异步处理，可高效完成录音文件批量转录任务，定价为每分钟0.0045美元（约合人民币0.03元），在成本效益方面具有明显优势。
在性能验证环节，第三方基准测试显示显著提升。Context Aware ASR测试中，引入上下文感知功能后，GPT-Transcribe的语义准确率从41.6%提升至45.2%。针对多语言场景的测试更凸显其技术优势：在Common Voice平台涵盖的22种语言测试集上，该模型将转录错误率从Whisper模型的40.37%大幅降至19.27%；在真实音频录制基准测试的九种语言样本中，错误率进一步压缩至8.98%，较Whisper模型的15.21%实现近半数降幅。
技术团队透露，模型训练阶段采用了创新的多模态数据增强策略，通过引入超过5000小时的带噪语音样本和300万组专业术语对，显著提升系统对复杂声学环境的适应能力。特别在医疗、法律等垂直领域，模型对专业术语的识别准确率较前代产品提升37%，数字与符号的转录错误率降低至1.2%以下。
开发者文档显示，API接口支持包括MP3、WAV在内的12种主流音频格式，单次请求最大可处理3小时时长的音频文件。针对企业级用户，OpenAI提供定制化微调服务，允许客户上传特定领域语料库进行模型优化，进一步提升专业场景下的转录质量。目前已有超过200家机构参与早期测试，覆盖在线教育、金融服务、智能客服等多个行业。