OpenAI:s nya AI-röstmodeller förbättrar transkriptionsnoggrannheten

OpenAI:s röst-AI-modeller riktar nu in sig på transkription i realtid och färdiga ljudfiler. ChatGPT-skrivbordsappen fick nyligen en stor röstuppgradering, men OpenAI utökar också sina ljudverktyg för utvecklare.

OpenAI introducerar två transkriptionsmodeller

OpenAI tillkännagav två API-modeller som kallas GPT-Live-Transcribe och GPT-Transcribe.

GPT-Live-Transcribe fokuserar på transkription med låg latens i realtid för livekonversationer. GPT-Transcribe hanterar färdiga inspelningar och asynkrona batchbearbetningsarbetsflöden.

Båda modellerna har stöd för kontextmedveten transkription. Utvecklare kan ange nyckelord, namn, branschterminologi och förväntade språk för att hjälpa modellerna att förstå en inspelning.

GPT-Live-Transcribe kan också använda tidigare transkriptionsvändor som kontext under ett pågående samtal.

Kontext förbättrar transkriptionsprecisionen

På OpenAI:s Context Aware ASR-riktmärke ökade extra kontext den semantiska precisionen för GPT-Live-Transcribe från 38,5 % till 44,6 %.

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

OpenAI rapporterade också följande transkriptionsfelfrekvenser 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 ordfelfrekvens på 3,31 % för GPT-Transcribe. OpenAI tar $4,50 per 1 000 minuter ljud som bearbetas med modellen.

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

Via Neowin