OpenAI’s nye stemme-AI-modeller forbedrer transskriptionsnøjagtighed

OpenAI’s stemme-AI-modeller sigter nu mod transskribering i realtid og færdige lydfiler. ChatGPT-skrivebordsappen modtog for nylig en stor stemmeopgradering, men OpenAI udvider også sine lydværktøjer til udviklere.

OpenAI introducerer to transskriberingsmodeller

OpenAI annoncerede to API-modeller kaldet GPT-Live-Transcribe og GPT-Transcribe.

GPT-Live-Transcribe fokuserer på transskribering med lav latenstid til live-samtaler. GPT-Transcribe håndterer færdige optagelser og asynkrone batch-behandlingsopgaver.

Begge modeller understøtter kontekstbaseret transskribering. Udviklere kan angive nøgleord, navne, brancheterminologi og forventede sprog for at hjælpe modellerne med at forstå en optagelse.

GPT-Live-Transcribe kan også bruge tidligere transskriberingssekvenser som kontekst under en igangværende samtale.

Kontekst forbedrer transskriberingsnøjagtigheden

På OpenAI’s Context Aware ASR-benchmark øgede ekstra kontekst GPT-Live-Transcribes semantiske nøjagtighed fra 38,5 % til 44,6 %.

GPT-Transcribe forbedrede sig fra 41,6 % til 45,2 % på samme benchmark.

OpenAI rapporterede også følgende transskriberingsfejlprocenter på lyd fra den virkelige verden:

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

Artificial Analysis målte uafhængigt en ordfejlrate på 3,31 % for GPT-Transcribe. OpenAI opkræver $4,50 pr. 1.000 minutters lyd behandlet med modellen.

I andre AI-nyheder introducerede Microsoft modellen MAI-Cyber-1-Flash til at opdage sikkerhedssårbarheder. Anthropic sagde også, at virksomheden ikke støtter et forbud mod open-weight AI-modeller, selvom den fortsat er bekymret over potentielt misbrug.

Via Neowin