Open AI 发布两款新模型：GPT-transcribe 和 GPT-live-transcribe

Open AI 近日宣布推出两款全新的语音转文字模型：GPT-transcribe 和 GPT-live-transcribe。目前，GPT-transcribe 已正式向开发者开放，而 GPT-live-transcribe 的详细信息尚未完全公开，预计将在后续发布。这两款模型旨在为开发者提供高精度的语音识别能力，适用于多种场景。

GPT-transcribe 被描述为一种高精度的语音转文字模型，能够处理已完成的音频文件转录、流式文件转录以及通过 WebSocket 实时会话中的连续交互。它支持非结构化上下文（unstructured context），这意味着开发者可以自由提供额外的上下文信息，帮助模型更好地理解特定领域的术语或对话背景。此外，模型还支持关键词提示（keyword hints）和多语言提示（language hints），这对于多语言音频、代码切换（code-switching）以及包含专业术语的场景尤为有用，能显著提升转录的准确性。

在定价方面，GPT-transcribe 采用基于使用时长的计费方式，按每分钟音频收费，价格为每分钟 0.0045 美元。需要注意的是，对于其他工具特定模型（如搜索和计算机使用），每次工具调用会产生额外费用，但 GPT-transcribe 本身不涉及工具调用。定价模式透明，开发者可以便捷地预估成本。

在输入输出模态方面，GPT-transcribe 支持音频和文本作为输入，输出仅为文本。图像和视频输入不被支持，音频也只能作为输入，不能作为输出。这意味着模型专注于从语音到文字的转换，不涉及其他多模态功能。

Open AI 提供了丰富的端点（endpoints）供开发者集成，包括 Chat Completions（v1/chat/completions）、Responses（v1/responses）、Realtime（v1/realtime）、实时翻译（v1/realtime/translations）、实时转录（v1/realtime/transcription_sessions）、Assistants（v1/assistants）、Batch（v1/batch）等。这些端点覆盖了从批量处理到实时交互的多种需求。此外，模型支持流式输出（streaming），这对于需要低延迟的实时应用非常有价值。但值得注意的是，GPT-transcribe 不支持函数调用（function calling）、结构化输出（structured outputs）、微调（fine-tuning）和预测输出（predicted outputs），这限制了其在需要这些高级功能的场景下的使用。

为了保持模型的稳定性和一致性，Open AI 提供了快照（snapshots）功能。开发者可以锁定特定版本的模型，确保性能和行为不会因模型更新而变化。目前，GPT-transcribe 有一个名为“gpt-transcribe”的快照可供使用。

随着 GPT-transcribe 的发布，Open AI 进一步扩展了其在语音识别领域的产品线，为开发者提供了一个高精度且经济实惠的转录解决方案。对于需要处理多语言音频或专业术语的应用，GPT-transcribe 的上下文和提示功能将带来显著优势。未来，GPT-live-transcribe 的推出有望进一步丰富实时语音交互的能力。