Los nuevos modelos de IA de voz de OpenAI mejoran la precisión de la transcripción

Los modelos de voz con IA de OpenAI ahora apuntan a la transcripción en tiempo real y a archivos de audio completados. La aplicación de escritorio de ChatGPT recibió recientemente una importante actualización de Voz, pero OpenAI también está expandiendo sus herramientas de audio para desarrolladores.

OpenAI presenta dos modelos de transcripción

OpenAI anunció dos modelos de API llamados GPT-Live-Transcribe y GPT-Transcribe.

GPT-Live-Transcribe se centra en la transcripción en tiempo real y de baja latencia para conversaciones en vivo. GPT-Transcribe maneja grabaciones completadas y cargas de trabajo de procesamiento por lotes asíncrono.

Ambos modelos admiten transcripción consciente del contexto. Los desarrolladores pueden proporcionar palabras clave, nombres, terminología del sector e idiomas esperados para ayudar a los modelos a entender una grabación.

GPT-Live-Transcribe también puede usar turnos de transcripción anteriores como contexto durante una conversación en curso.

El contexto mejora la precisión de la transcripción

En el benchmark ASR Consciente del Contexto de OpenAI, el contexto adicional aumentó la precisión semántica de GPT-Live-Transcribe del 38,5 % al 44,6 %.

GPT-Transcribe mejoró del 41,6 % al 45,2 % en el mismo benchmark.

OpenAI también informó las siguientes tasas de error de transcripción en audio del mundo real:

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

Artificial Analysis midió de forma independiente una tasa de error de palabras del 3,31 % para GPT-Transcribe. OpenAI cobra 4,50 $ por cada 1.000 minutos de audio procesado con el modelo.

En otras noticias de IA, Microsoft presentó el modelo MAI-Cyber-1-Flash para detectar vulnerabilidades de seguridad. Anthropic también dijo que no apoya la prohibición de modelos de IA de pesos abiertos, aunque la empresa sigue preocupada por el posible uso indebido.

Vía Neowin