OpenAI 引入兩種轉錄模型：低延遲、更好理解上下文

OpenAI 於 7 月 29 日在 X 平台正式宣布，推出兩款全新的語音轉錄模型，分別命名為 GPT-Live-Transcribe 與 GPT-Transcribe，並同步開放透過 API 進行調用。這兩款模型專為不同場景設計，主打低延遲即時轉錄與更精準的上下文理解能力，進一步強化 OpenAI 在語音辨識領域的技術布局。 根據官方公告，GPT-Live-Transcribe 的核心優勢在於極低的延遲，能夠實現接近即時的音頻轉文字輸出，適合用於對話、直播、會議記錄等需要快速反應的應用情境。而 GPT-Transcribe 則針對已完成音頻檔案與批次處理工作負載進行最佳化，屬於非同步轉錄方案，適合後製分析、大量資料處理等對準確度要求較高的場景。 在調用費用方面，OpenAI 公布了明確的計價標準。GPT-Live-Transcribe 的轉錄費用為每分鐘 0.017 美元，以當前匯率換算約合新台幣 0.55 元或人民幣 0.12 元；GPT-Transcribe 的轉錄費用則為每分鐘 0.03 元人民幣（約合新台幣 0.13 元）。兩者均採用量計費，讓開發者與企業可根據需求選擇合適的模型。 OpenAI 表示，相較於公司過去推出的轉錄模型，這兩款新模型在理解上下文方面有顯著提升。無論是短語、數字、專業術語，還是帶有明顯背景噪音的語音，都能在各種口音與語言的真實世界音頻中提供更準確的轉錄結果。這意味著模型能夠更妥善地處理語音中的模糊與歧義，減少因環境干擾或特殊用詞導致的錯誤。 在技術驗證方面，OpenAI 公布了一組基準測試結果。在 Context Aware ASR 評測中，GPT-Transcribe 展現了優異的語義準確率，尤其是在提供自由形式上下文的情況下，其表現遠優於無上下文支援的模型。此外，在 Common Voice 資料集的 22 種語言測試中，GPT-Transcribe 的轉錄錯誤率也達到較低水準，顯示其跨語言泛化能力值得信賴。 這兩款模型的推出，也反映出 OpenAI 持續拓展語音 AI 應用版圖的企圖心。過去，語音轉錄技術常因口音差異、背景噪音或專業術語而出現辨識瓶頸，而新模型透過上下文感知機制，能夠在轉錄過程中主動參考前後語意，進而提高整體準確度。這對於醫療、法律、客服、教育等需要高度精確文字記錄的產業尤為重要。 由於 GPT-Live-Transcribe 與 GPT-Transcribe 均透過 API 提供，開發者可以輕易將其整合進現有服務中，例如即時字幕生成、語音助手、會議記錄自動化、影音內容後製等。低延遲版本適合需要即時反饋的互動式應用，而非同步版本則可應用於大量歷史音檔的批次轉寫，兩者互補，涵蓋了從即時到離線的完整轉錄需求。 值得注意的是，OpenAI 此次並未將這兩款模型單獨包裝成獨立產品，而是以 API 服務的形式開放，延續其過去對於開發者生態的開放策略。企業與開發者可以根據自身業務需求，選擇合適的模型並自訂參數，進一步降低成本並提升效率。 市場分析人士指出，語音轉錄市場競爭激烈，包括 Google、Amazon、Microsoft 等巨頭均提供類似服務。OpenAI 此次推出的模型，憑藉其對上下文理解能力的強化，以及針對不同場景的細分方案，有望在特定應用領域取得優勢。尤其是對於需要高準確度與低延遲的即時場景，GPT-Live-Transcribe 提供了一個新的選擇。 整體而言，OpenAI 的 GPT-Live-Transcribe 與 GPT-Transcribe 不僅強化了語音轉文字的基礎能力，更透過模型分層與計價設計，讓開發者能夠更靈活地應對多元的使用情境。隨著語音互動技術日益普及，這類專業轉錄模型的推出，將加速各行業數位轉型的步伐，也為 AI 語音應用開啟更多可能性。