OpenAIs neue Voice-AI-Modelle verbessern die Transkriptionsgenauigkeit

Sprach-KI-Modelle von OpenAI zielen nun auf Echtzeit-Transkription und abgeschlossene Audiodateien ab. Die ChatGPT-Desktopanwendung hat kürzlich ein großes Sprach-Upgrade erhalten, 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 Transkription mit niedriger Latenz in Echtzeit für Live-Gespräche. GPT-Transcribe verarbeitet abgeschlossene Aufnahmen und asynchrone Batchverarbeitungs-Workloads.

Beide Modelle unterstützen kontextbewusste Transkription. Entwickler können Schlüsselwörter, Namen, Fachbegriffe und erwartete Sprachen bereitstellen, um den Modellen das Verständnis einer Aufnahme zu erleichtern.

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

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 berichtete zudem über folgende Transkriptionsfehlerraten bei realen Audiodaten:

• 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 US-Dollar pro 1.000 verarbeitete Audiominuten mit dem Modell.

In weiteren KI-Nachrichten hat Microsoft das Modell MAI-Cyber-1-Flash zur Erkennung von Sicherheitslücken vorgestellt. Anthropic sagte zudem, dass es kein Verbot von Open-Weight-KI-Modellen unterstützt, obwohl das Unternehmen weiterhin über möglichen Missbrauch besorgt ist.

Über Neowin