OpenAI выпустила две новые модели распознавания речи: GPT Transcribe для обработки аудиофайлов и GPT Live Transcribe для потоковой расшифровки речи с низкой задержкой. Обе модели уже доступны через api и ориентированы на разработчиков, которым нужны мультиязычное распознавание, учет текстового контекста и работа в реальном времени.

GPT Transcribe: быстрее офлайн-расшифровки

GPT Transcribe предназначена для пакетной обработки аудио и видеофайлов. По данным OpenAI, модель способна обрабатывать записи около в 34 раза быстрее реального времени, что делает ее удобной для транскрибации интервью, подкастов, лекций и корпоративных архивов. Она поддерживает учет предварительного текстового контекста и списка ключевых слов, что помогает точнее распознавать профессиональную терминологию, имена и названия компаний.

GPT Live Transcribe: ставка на низкую задержку

Вторая схема — GPT Live Transcribe — оптимизирована для потокового распознавания речи. Она предназначена для голосовых интерфейсов, звонков, видеоконференций и других сценариев, где критична минимальная задержка между произнесенной фразой и появлением текста. Модель равным образом поддерживает мультиязычный ввод и контекстные подсказки.

Что показывают тесты

По данным Artificial Analysis, GPT Transcribe демонстрирует уровень ошибок в словах (WER) 3,3% на бенчмарке AA-WER, что примерно на 0,7 процентного пункта лучше, чем у GPT-4o Transcribe. В общем рейтинге модель пока не занимает первое место.

OpenAI заметно улучшила собственные модели распознавания речи, но по текущим независимым оценкам они все еще уступают лидерам рынка.

GPT Transcribe стоит $0,0045 за минуту аудио, а GPT Live Transcribe — $0,017 за минуту. Модели стали заметно дешевле.