OpenAIs nye stemme-AI-modeller forbedrer transkripsjonsnøyaktigheten

OpenAIs stemme-KI-modeller retter seg nå mot sanntidstranskripsjon og ferdig innspilte lydfiler. ChatGPT desktop fikk nylig en stor stemmeoppgradering, men OpenAI utvider også lydverktøyene sine for utviklere.

OpenAI introduserer to transkripsjonsmodeller

OpenAI kunngjorde to API-modeller kalt GPT-Live-Transcribe og GPT-Transcribe.

GPT-Live-Transcribe fokuserer på sanntidstranskripsjon med lav latenstid for direktesamtaler. GPT-Transcribe håndterer ferdige opptak og asynkrone batchprosesseringsarbeidsbelastninger.

Begge modellene støtter kontekstbevisst transkripsjon. Utviklere kan oppgi nøkkelord, navn, bransjeterminologi og forventede språk for å hjelpe modellene med å forstå et opptak.

GPT-Live-Transcribe kan også bruke tidligere transkripsjonsrunder som kontekst under en pågående samtale.

Kontekst forbedrer transkripsjonsnøyaktigheten

På OpenAIs Context Aware ASR benchmark økte ekstra kontekst GPT-Live-Transcribes semantiske nøyaktighet fra 38,5 % til 44,6 %.

GPT-Transcribe forbedret seg fra 41,6 % til 45,2 % på den samme referansemålingen.

OpenAI rapporterte også følgende transkripsjonsfeilrater 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 uavhengig en ordfeilrate på 3,31 % for GPT-Transcribe. OpenAI tar 4,50 USD per 1 000 minutter med lyd behandlet med modellen.

I andre AI-nyheter introduserte Microsoft MAI-Cyber-1-Flash-modellen for å oppdage sikkerhetssårbarheter. Anthropic sa også at de ikke støtter et forbud mot AI-modeller med åpen vekt, selv om selskapet fortsatt er bekymret for potensiell misbruk.

Via Neowin