OpenAIs neue Sprach-KI-Modelle verbessern die Transkriptionsgenauigkeit

OpenAI-Sprach-KI-Modelle zielen jetzt auf Echtzeit-Transkription und abgeschlossene Audiodateien ab. Der ChatGPT-Desktop erhielt kürzlich ein umfangreiches Voice-Upgrade, doch OpenAI erweitert auch seine Audio-Tools für Entwickler.

OpenAI stellt zwei Transkriptionsmodelle vor

OpenAI kündigte zwei API-Modelle mit den Namen 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 Batch-Verarbeitungslasten.

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

GPT-Live-Transcribe kann zudem frühere Transkriptionsdurchgänge als Kontext während eines laufenden Gesprächs nutzen.

Kontext verbessert die Transkriptionsgenauigkeit

Auf OpenAIs Context-Aware-ASR-Benchmark steigerte zusätzlicher Kontext die semantische Genauigkeit von GPT-Live-Transcribe von 38,5 % auf 44,6 %.

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

OpenAI meldete zudem 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 maß unabhängig eine Wortfehlerrate von 3,31 % für GPT-Transcribe. OpenAI berechnet 4,50 $ pro 1.000 verarbeitete Audiominuten mit dem Modell.

In weiteren KI-Nachrichten stellte Microsoft das Modell MAI-Cyber-1-Flash zur Erkennung von Sicherheitslücken vor. Anthropic erklärte zudem, dass es ein Verbot von Open-Weight-KI-Modellen nicht unterstützt, obwohl das Unternehmen weiterhin über möglichen Missbrauch besorgt ist.

Via Neowin