OpenAI近日正式推出两款新型语音转录模型——GPT-Live-Transcribe与GPT-Transcribe，并通过API向开发者开放调用。这两款模型突破了传统语音转文字工具的局限，不仅能够精准识别语音内容，还能深度理解上下文信息，包括口音差异、专业术语、数字表达以及背景噪音中的有效信息，显著提升了复杂场景下的转录准确性。
两款模型针对不同应用场景进行了差异化设计。GPT-Live-Transcribe专为实时转录优化，以低延迟特性支持需要即时反馈的场景，如会议记录、直播字幕等，其每分钟0.017美元的定价（约合人民币0.12元）体现了对高频使用需求的考量。而GPT-Transcribe则聚焦于异步处理，擅长批量转录已有音频文件，每分钟0.0045美元的成本（约合人民币0.03元）使其成为处理大量录音资料的性价比之选。
在技术突破方面，新模型对语境的解析能力尤为突出。测试数据显示，GPT-Transcribe在接入上下文信息后，语义准确率从基础模式的41.6%提升至45.2%，展现了根据对话背景动态调整理解逻辑的能力。例如，同一词汇在不同语境下的含义差异，或专业领域术语的精准识别，均得到显著优化。
与OpenAI此前发布的Whisper模型相比，新模型在多语言场景下表现卓越。在Common Voice数据集覆盖的22种语言测试中，GPT-Transcribe将转录错误率从Whisper的40.37%降至19.27%；在真实录音的九种语言基准测试中，其错误率更进一步压缩至8.98%，仅为Whisper（15.21%）的59%。这一优势在嘈杂环境或专业领域对话中尤为明显，例如医疗、法律等场景下的术语识别准确率大幅提升。
行业观察人士指出，这两款模型的推出标志着语音交互技术向实用化迈出关键一步。随着机器对复杂语音场景的理解能力增强，语音助手、智能客服、无障碍沟通等应用领域有望迎来新一轮创新，此前因噪音干扰或专业术语导致的交互障碍将得到显著缓解。
