OpenAI推全新语音转录模型gpt-4o-transcribe语音转文字准确率

　　目前，这些新模型已经率先通过应用程序接口（API）向第三方开发者开放，开发者们可以利用它们打造更智能的应用程序。同时，OpenAI也提供了一个名为OpenAI.fm的演示网站，供个人用户进行初步体验。

　　那么，这款备受期待的gpt-4o-transcribe究竟有何独到之处呢?简单来说，它可以看作是OpenAI两年前发布的开源语音转录模型Whisper的升级版，目标是提供更低的文字错误率和更强大的性能。

　　根据OpenAI官方数据显示，在行业标准的33种语言测试中，gpt-4o-transcribe的错误率相较于Whisper有了显着下降，尤其在英语方面，错误率更是低至2.46%!这对于需要高精度语音转录的场景来说，无疑是一个巨大的进步。

　　更值得一提的是，这款新模型在各种复杂环境下都能保持出色的性能。无论是身处嘈杂的环境，面对不同的口音，还是处理快慢不一的语速，gpt-4o-transcribe都能提供更准确的转录结果，并且它还支持超过100种语言。

　　为了进一步提升转录的准确性，gpt-4o-transcribe还加入了噪声消除和语义语音活动检测技术。

　　OpenAI的技术人员Jeff Harris解释说，后者可以帮助模型判断说话者是否讲完了一个完整的想法，从而避免断句错误，提高整体的转录质量。此外，gpt-4o-transcribe还支持流式语音转文本，开发者可以持续输入音频并实时获得文本结果，使对话感觉更加自然。

　　需要注意的是，gpt-4o-transcribe模型家族**目前并不具备“说话人分离”（diarization）**的功能，也就是说，它主要专注于将接收到的音频(可能包含多人的声音)统一转录成文本，而不会区分和标记不同的说话人。

　　目前，gpt-4o-transcribe已经通过OpenAI的API接口提供给开发者使用。这意味着，开发者可以快速将这一强大的语音转录能力集成到自己的应用程序中，为用户带来更便捷的语音交互体验。

　　据OpenAI在直播中演示，对于已经基于GPT-4o等文本大模型构建的应用，只需要大约九行代码就能轻松添加语音交互功能。例如，电商应用可以快速实现语音回复用户关于订单信息的咨询。

　　不过，OpenAI方面也表示，考虑到ChatGPT在成本和性能方面的特殊需求，这些新模型暂时不会直接应用于ChatGPT，但预计未来会逐步整合。对于追求更低延迟、实时语音交互的开发者，OpenAI推荐使用其Realtime API中的语音到语音模型。

　　凭借其强大的语音转录能力，gpt-4o-transcribe有望在多个领域大显身手。OpenAI认为，例如客户呼叫中心、会议纪要自动生成以及AI驱动的智能助手等场景都非常适合应用这项技术。一些已经体验过新模型的公司也反馈称，OpenAI的音频模型显着提升了语音AI的性能。

　　当然，OpenAI也面临着来自其他语音AI公司的竞争，例如ElevenLabs推出的Scribe模型也具备较低的错误率和说话人分离功能。此外，Hume AI的Octave TTS模型则在发音和情感控制方面提供了更精细的自定义选项。开源社区也有不断涌现的先进语音模型。

　　需要注意的是，不同模型的计费方式可能存在差异（例如，基于 token 数量、时长等），因此直接比较价格时需要考虑这些因素。

　　OpenAI此次发布的gpt-4o-transcribe等新语音模型，在语音转录领域展现出了强大的实力和潜力。虽然目前主要面向开发者，但其在提升语音交互体验方面的价值不容忽视。未来，随着技术的不断发展，我们或许能看到更多令人惊喜的语音AI应用涌现。

　　OpenAI最近总是喜欢搞突袭。昨晚11点的时候突然发了一个预告，4秒钟的音频的大概意思，就是太平洋时间10点我们发个产品。以上就是这一次OpenAI的全部发布了，熬夜肝完，为大家带来最新鲜的实测。

　　今天凌晨OpenAI举行直播活动，正式发布最新大模型GPT-4.5，将分阶段向付费用户开放。ChatGPTPro用户今天开始就能在网页版、手机版和桌面版使用GPT-4.5了，下周将向Plus和Team用户开放，再下周向企业和Edu用户开放。不过目前GPT-4.5只支持搜索、上传文件和图片和画布功能不支持语音模式、视频和屏幕共享等多模态功能，OpenAI称未来会持续更新。

　　欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。新鲜AI产品点击了解:、OpenAI正式发布GPT-4.5率先向ChatGPTPro用户开放OpenAI于2月28日正式发布了其最新的GPT-4.5AI模型，标志着其在聊天模型领域的重大进展。小米的研发投入将累计达到1050亿元，这显示了小米在技术创新和市场竞争中的决心与战略规划。

　　OpenAI发布了其最新AI模型GPT-4.5，它不仅增强了对话功能、提高了响应准确性，甚至还有了“共情能力”。当地时间27日，OpenAI官宣，将以“研究预览版”形式发布GPT-4.5，目前仅对部分开发者和ChatGPTPro用户开放。SamAltman表示：“将是一个集成各种技术，包括o3，的模型系统”、“未来，‘o3’将不再作为独立模型提供。

　　据报道，OpenAI发布了专为构建AIAgents设计的新工具和API。OpenAI此次发布的核心产品包括ResponsesAPI和AgentsSDK。OpenAI首席产品官KevinWeil在直播中提到：2025年将会是AI智能体爆发的一年，也是ChatGPT和我们开发者工具从仅仅回答问题升级为真正能在现实世界里为你执行任务的一年。

　　欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。新鲜AI产品点击了解：、最贵！用户可以通过窗口前端的图标直接调用Gemini助手，享受自定义快捷键和系统托盘图标的支持，尽管目前不支持侧边栏固定模式。

　　ChatGPT免费用户也可以每天使用高级语音模式了DeepResearch智能体也向全体付费用户开放。

　　欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。新鲜AI产品点击了解:、腾讯混元推出5个开源3D模型:30秒生成，兼容多平台腾讯混元宣布推出五个全新开源3D生成模型，基于Hunyuan3D-2.0，具备更快的生成速度和更丰富的细节。通过精细的训练过程，OLMo232B在多项基准测试中超越了GPT-3.5Turbo和GPT-4omini，展现出卓越的性能和更高的训练效率。

　　【新智元导读】如今的前沿推理模型，学会出来的作弊手段可谓五花八门，比如放弃认真写代码，开始费劲心思钻系统漏洞!为此，OpenAI研究者开启了「CoT监控」大法，让它的小伎俩被其他模型戳穿。然可怕的是，这个方法虽好，却让模型变得更狡猾了……就在刚刚，OpenAI博客放出了一项新的研究。OpenAI研究者发出强烈呼吁:开发者在训练前沿推理模型时，千万别对CoT用强监督!�

　　DeepSeek生态已然形成，步入重投放歧路的Kimi，该如何翻红?关于DeepSeek的连锁反应还在继续。大厂作为此轮DeepSeek直接爆发的受益者，在近日，纷纷拿出真金白银，继续加码AI。至于是否会有真正的买家，一切似乎仍在迷雾。