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 desktop fick nyligen en stor röstuppgradering, men OpenAI utökar också sina ljudverktyg för utvecklare.

OpenAI introducerar två transkriberingsmodeller

OpenAI tillkännagav två API-modeller som heter 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 ett pågående samtal.

Kontext förbättrar transkriberingsnoggrannheten

I OpenAI:s kontextmedvetna ASR-riktmärke ökade ytterligare kontext GPT-Live-Transcribes semantiska noggrannhet från 38,5 % till 44,6 %.

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

OpenAI rapporterade även följande transkriberingsfelfrekvenser 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 ordelfrekvens 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 säkerhetssårbarheter. Anthropic sa också att de inte stöder ett förbud mot AI-modeller med öppen vikt, även om företaget fortfarande är oroligt för potentiellt missbruk.

Via Neowin