OpenAIs neue Voice-AI-Modelle verbessern die Transkriptionsgenauigkeit

OpenAIs Sprach-KI-Modelle zielen jetzt auf Echtzeit-Transkription und abgeschlossene Audiodateien ab. Die ChatGPT-Desktopanwendung erhielt kürzlich ein großes Sprach-Upgrade, aber OpenAI erweitert auch seine Audio-Tools für Entwickler.

OpenAI stellt zwei Transkriptionsmodelle vor

OpenAI kündigte zwei API-Modelle namens GPT-Live-Transcribe und GPT-Transcribe an.

GPT-Live-Transcribe konzentriert sich auf latenzarme Echtzeit-Transkription für Live-Gespräche. GPT-Transcribe verarbeitet abgeschlossene Aufnahmen und asynchrone Stapelverarbeitungs-Workloads.

Beide Modelle unterstützen kontextbewusste Transkription. Entwickler können Schlüsselwörter, Namen, Branchenterminologie und erwartete Sprachen angeben, um den Modellen zu helfen, eine Aufnahme zu verstehen.

GPT-Live-Transcribe kann auch frühere Transkriptionsschritte als Kontext während eines laufenden Gesprächs verwenden.

Kontext verbessert die Transkriptionsgenauigkeit

Im Context Aware ASR-Benchmark von OpenAI erhöhte zusätzlicher Kontext die semantische Genauigkeit von GPT-Live-Transcribe von 38,5 % auf 44,6 %.

GPT-Transcribe verbesserte sich im selben Benchmark von 41,6 % auf 45,2 %.

OpenAI meldete außerdem die folgenden Transkriptionsfehlerraten bei realen Audioaufnahmen:

• GPT-Live-Transcribe: 9,60 %
• GPT-Realtime-Whisper: 11,65 %
• GPT-Transcribe: 8,98 %
• Whisper-1: 15,21 %

Artificial Analysis hat unabhängig eine Wortfehlerrate von 3,31 % für GPT-Transcribe gemessen. OpenAI berechnet 4,50 USD pro 1.000 Minuten verarbeiteter Audiodaten mit dem Modell.

In anderen KI-Nachrichten hat Microsoft das MAI-Cyber-1-Flash-Modell zur Erkennung von Sicherheitslücken vorgestellt. Anthropic erklärte außerdem, dass es ein Verbot von Open-Weight-KI-Modellen nicht unterstützt, obwohl das Unternehmen weiterhin über potenziellen Missbrauch besorgt ist.

Via Neowin