Open AI 發佈兩款新模型：GPT-transcribe 和 GPT-live-transcribe

Open AI 近日宣佈推出兩款全新的語音轉文字模型：GPT-transcribe 和 GPT-live-transcribe。目前，GPT-transcribe 已正式向開發者開放，而 GPT-live-transcribe 的詳細信息尚未完全公開，預計將在後續發佈。這兩款模型旨在為開發者提供高精度的語音識別能力，適用於多種場景。

GPT-transcribe 被描述為一種高精度的語音轉文字模型，能夠處理已完成的音頻文件轉錄、流式文件轉錄以及通過 WebSocket 實時會話中的連續交互。它支持非結構化上下文（unstructured context），這意味着開發者可以自由提供額外的上下文信息，幫助模型更好地理解特定領域的術語或對話背景。此外，模型還支持關鍵詞提示（keyword hints）和多語言提示（language hints），這對於多語言音頻、代碼切換（code-switching）以及包含專業術語的場景尤為有用，能顯著提升轉錄的準確性。

在定價方面，GPT-transcribe 採用基於使用時長的計費方式，按每分鐘音頻收費，價格為每分鐘 0.0045 美元。需要注意的是，對於其他工具特定模型（如搜索和計算機使用），每次工具調用會產生額外費用，但 GPT-transcribe 本身不涉及工具調用。定價模式透明，開發者可以便捷地預估成本。

在輸入輸出模態方面，GPT-transcribe 支持音頻和文本作為輸入，輸出僅為文本。圖像和視頻輸入不被支持，音頻也只能作為輸入，不能作為輸出。這意味着模型專注於從語音到文字的轉換，不涉及其他多模態功能。

Open AI 提供了豐富的端點（endpoints）供開發者集成，包括 Chat Completions（v1/chat/completions）、Responses（v1/responses）、Realtime（v1/realtime）、實時翻譯（v1/realtime/translations）、實時轉錄（v1/realtime/transcription_sessions）、Assistants（v1/assistants）、Batch（v1/batch）等。這些端點覆蓋了從批量處理到實時交互的多種需求。此外，模型支持流式輸出（streaming），這對於需要低延遲的實時應用非常有價值。但值得注意的是，GPT-transcribe 不支持函數調用（function calling）、結構化輸出（structured outputs）、微調（fine-tuning）和預測輸出（predicted outputs），這限制了其在需要這些高級功能的場景下的使用。

為了保持模型的穩定性和一致性，Open AI 提供了快照（snapshots）功能。開發者可以鎖定特定版本的模型，確保性能和行為不會因模型更新而變化。目前，GPT-transcribe 有一個名為“gpt-transcribe”的快照可供使用。

隨着 GPT-transcribe 的發佈，Open AI 進一步擴展了其在語音識別領域的產品線，為開發者提供了一個高精度且經濟實惠的轉錄解決方案。對於需要處理多語言音頻或專業術語的應用，GPT-transcribe 的上下文和提示功能將帶來顯著優勢。未來，GPT-live-transcribe 的推出有望進一步豐富實時語音交互的能力。