本文共 1451 字，大约阅读时间需要 4 分钟。
2025年3月20日，OpenAI在其API中推出了三款全新的语音模型：gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-mini-tts。这三款模型分别提供语音转文本（STT）和文本转语音（TTS）的功能，凭借领先的准确性和可靠性，为用户提供了更强大的语音交互能力。
这些模型的发布不仅体现了OpenAI在语音AI领域的技术突破，也为复杂场景下的客服、会议记录等应用提供了更高效的解决方案。特别是在多语言支持和处理复杂语音场景方面表现优异。
以下是三款模型的详细信息：
| 模型名称 | 类型 | 主要特点 | 定价（每百万令牌） |
|---|---|---|---|
| gpt-4o-transcribe | 语音转文本（STT） | 取代Whisper，词错误率更低，擅长处理口音、嘈杂环境和多变语音速度，印度语系语言WER ~30% | 6.00美元（约0.006美元/分钟） |
| gpt-4o-mini-transcribe | 语音转文本（STT） | 取代Whisper，类似改进，成本更低 | 3.00美元（约0.003美元/分钟） |
| gpt-4o-mini-tts | 文本转语音（TTS） | 可通过自然语言指令自定义语音风格（如情感、口音），目前限预设人工声音 | 文本0.60美元，音频12.00美元（约0.015美元/分钟） |
这些模型基于GPT-4o和GPT-4o-mini架构，预训练于专门的音频数据集，并通过高级蒸馏技术和强化学习优化，转录准确性达到行业领先水平。支持100多种语言，包括小语种如马拉雅alam，特别在处理上下文和细微差别方面表现优异。
此外，模型在英语中的词错误率低至2.46%，配备了噪声消除和语义语音活动检测器，进一步提升了转录准确性。
早期采用者反馈显示，这些模型在转录准确性上改进了30%，在租户互动和客户服务中表现出色。OpenAI建议通过Realtime API实现低延迟应用，支持流式语音转文本的实时场景。
此外，OpenAI还在X上（@openAI）举办了OpenAI.fm的创意使用竞赛，获胜者将获得Teenage Engineering定制收音机，鼓励开发者探索这些模型的应用潜力。
这些模型的发布标志着OpenAI在语音AI领域的又一突破，推动了语音交互应用的创新，例如智能客服、语言学习工具和多语言内容创作。
与之前的Whisper模型不同，这些新模型未开源，OpenAI认为它们过于庞大，不适合本地运行。这引发了关于AI模型开放性与商业化平衡的讨论，尤其是在学术界和开源社区中。
对小语言的支持（如马拉雅alam）可能为全球范围内的AI应用带来更大的包容性和可访问性，特别是在发展中国家和语言多样性地区。
这些模型通过OpenAI的API和自定义演示网站提供，开发者可以根据需求选择适合的模型。定价策略（如gpt-4o-mini-transcribe的低成本选项）可能吸引中小企业和初创公司，但高成本模型（如gpt-4o-transcribe）可能限制个人用户的广泛采用。
总的来说，OpenAI的新语音模型在2025年3月20日的发布是语音AI领域的一次重要进展，特别是在多语言支持和复杂语音场景的处理上。Jijo Sunny的X帖子证实了这些模型的优越性，尤其是在STT模型在小语言中的表现。这些模型的推出不仅为开发者提供了强大的工具，也可能推动语音交互应用的全球化和创新。
转载地址：http://xdkwk.baihongyu.com/