OpenAI:s nya röst-AI-modeller förbättrar transkriptionsnoggrannheten

OpenAI:s röst-AI-modeller riktar nu in sig på transkribering i realtid och färdiga ljudfiler. ChatGPT:s skrivbordsversion fick nyligen en stor uppgradering av Voice, men OpenAI utökar också sina ljudverktyg för utvecklare.

OpenAI introducerar två transkriberingsmodeller

OpenAI tillkännagav två API-modeller vid namn GPT-Live-Transcribe och GPT-Transcribe.

GPT-Live-Transcribe fokuserar på transkribering med låg latens i realtid för livesamtal. GPT-Transcribe hanterar färdiga inspelningar och asynkrona batchbearbetningsarbetsbelastningar.

Båda modellerna stöder kontextmedveten transkribering. Utvecklare kan tillhandahålla nyckelord, namn, branschterminologi och förväntade språk för att hjälpa modellerna att förstå en inspelning.

GPT-Live-Transcribe kan också använda tidigare transkriberingsvändor som kontext under pågående konversation.

Kontext förbättrar transkriberingsprecisionen

På OpenAI:s benchmark för kontextmedveten ASR ökade ytterligare kontext GPT-Live-Transcribes semantiska precision från 38,5 % till 44,6 %.

GPT-Transcribe förbättrades från 41,6 % till 45,2 % på samma benchmark.

OpenAI rapporterade även följande felfrekvenser för transkribering på verkligt ljud:

• GPT-Live-Transcribe: 9.60%
• GPT-Realtime-Whisper: 11.65%
• GPT-Transcribe: 8.98%
• Whisper-1: 15.21%

Artificial Analysis mätte oberoende en ordfelsfrekvens på 3,31 % för GPT-Transcribe. OpenAI tar 4,50 dollar per 1 000 minuter bearbetat ljud med modellen.

I andra AI-nyheter introducerade Microsoft modellen MAI-Cyber-1-Flash för att upptäcka säkerhetsbrister. Anthropic sade också att de inte stöder ett förbud mot AI-modeller med öppen vikt, även om företaget fortfarande är oroat över potentiellt missbruk.

Via Neowin