Os novos modelos de IA de voz da OpenAI melhoram a precisão da transcrição

Os modelos de IA de voz da OpenAI visam agora a transcrição em tempo real e ficheiros de áudio completos. O ChatGPT para desktop recebeu recentemente uma grande atualização de Voz, mas a OpenAI também está a expandir as suas ferramentas de áudio para os programadores.

OpenAI apresenta dois modelos de transcrição

A OpenAI anunciou dois modelos de API chamados GPT-Live-Transcribe e GPT-Transcribe.

O GPT-Live-Transcribe foca-se na transcrição em tempo real e de baixa latência para conversas ao vivo. O GPT-Transcribe trata de gravações concluídas e cargas de trabalho de processamento assíncrono em lote.

Ambos os modelos suportam transcrição sensível ao contexto. Os programadores podem fornecer palavras-chave, nomes, terminologia do setor e idiomas esperados para ajudar os modelos a compreender uma gravação.

O GPT-Live-Transcribe também pode usar os turnos de transcrição anteriores como contexto durante uma conversa em andamento.

O contexto melhora a precisão da transcrição

No benchmark ASR sensível ao contexto da OpenAI, o contexto adicional aumentou a precisão semântica do GPT-Live-Transcribe de 38,5% para 44,6%.

O GPT-Transcribe melhorou de 41,6% para 45,2% no mesmo benchmark.

A OpenAI também divulgou as seguintes taxas de erro de transcrição em áudio do mundo real:

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

A Artificial Analysis mediu de forma independente uma taxa de erro de palavras de 3,31% para o GPT-Transcribe. A OpenAI cobra 4,50 USD por cada 1.000 minutos de áudio processados com o modelo.

Noutras notícias de IA, a Microsoft apresentou o modelo MAI-Cyber-1-Flash para detetar vulnerabilidades de segurança. A Anthropic também afirmou que não apoia a proibição de modelos de IA de peso aberto, embora a empresa continue preocupada com o potencial uso indevido.

Via Neowin