OpenAIs nye stemme-AI-modeller forbedrer transkripsjonsnøyaktighet

OpenAIs stemme-KI-modeller retter seg nå mot sanntidstranskripsjon og fullførte lydfiler. Skrivebordsversjonen av ChatGPT fikk nylig en stor Stemme-oppgradering, men OpenAI utvider også lydverktøyene for utviklere.

OpenAI introduserer to transkripsjonsmodeller

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

GPT-Live-Transcribe fokuserer på lav latenstid og sanntidstranskripsjon for direktesamtaler. GPT-Transcribe håndterer fullførte opptak og asynkrone batch-prosesseringsjobber.

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-referansetest 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 referansetesten.

OpenAI rapporterte også følgende transkripsjonsfeilrater på virkelig lyd:

• 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 per 1 000 minutter med lyd behandlet med modellen.

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

Via Neowin