2025 年 3 月 20 日，Openai 發(fā)布了三款全新的語音模型，包括兩款語音轉(zhuǎn)文本模型（GPT-4o-transcribe 和 GPT-4o-mini-transcribe）以及一款文本轉(zhuǎn)語音模型（GPT-4o-mini-tts）。

語音轉(zhuǎn)文本模型

• GPT-4o-transcribe：該模型經(jīng)過多樣化、高質(zhì)量音頻數(shù)據(jù)集的長時間訓練，能夠更好地捕捉語音的細微差別，減少誤識別，大幅提升轉(zhuǎn)錄可靠性。它適用于處理口音多樣、環(huán)境嘈雜、語速變化等復雜場景，例如客戶呼叫中心和會議記錄轉(zhuǎn)錄等領(lǐng)域。

• GPT-4o-mini-transcribe：這是 GPT-4o-transcribe 的精簡版本，速度更快、效率更高。雖然其單詞錯誤率（WER）稍高于完整版模型，但仍優(yōu)于原有的 Whisper 模型，更適合資源有限但需要高質(zhì)量語音識別的應(yīng)用場景。

文本轉(zhuǎn)語音模型

• GPT-4o-mini-tts：這款模型首次支持“可引導性”（steerability），開發(fā)者不僅可以指定模型“說什么”，還能控制“怎么說”，例如可以預設(shè)語音風格為“平靜”“沖浪者”“專業(yè)的”“中世紀騎士”等，還能根據(jù)指令調(diào)整語音風格，如“像富有同情心的客服 Agent 一樣說話”。

技術(shù)創(chuàng)新

• 使用真實音頻數(shù)據(jù)集進行預訓練，優(yōu)化模型性能。

• 增強的蒸餾方法，實現(xiàn)從大模型到小模型的知識轉(zhuǎn)移。

• 強化學習，提升轉(zhuǎn)錄精度并減少“幻覺”現(xiàn)象。

應(yīng)用場景

• 呼叫中心：提供更準確的語音識別和更自然的語音合成，提升客戶服務(wù)體驗。

• 會議記錄：快速準確地將會議語音內(nèi)容轉(zhuǎn)錄為文本。

• 個性化客服：通過語音風格的定制，提供更具溫度和表現(xiàn)力的語音體驗。

• 創(chuàng)意故事講述：為故事添加生動的語音效果。

定價

• GPT-4o-transcribe 的價格與之前的 Whisper 模型相同，每分鐘 0.006 美元。

• GPT-4o-mini-transcribe 的價格為每分鐘 0.003 美元。

• GPT-4o-mini-tts 的定價為每分鐘 1 美分。

OpenAI 語音模型網(wǎng)站：OpenAI.fm，網(wǎng)站提供了豐富的預設(shè)模板，包括人設(shè)、語氣、方言、發(fā)音等設(shè)置。用戶可以在此體驗并制作 GPT-4o-mini-tts 的相關(guān)音頻。此外，OpenAI 還提供了升級版的 Agent SDK，幫助開發(fā)者更便捷地構(gòu)建語音智能體。

官方網(wǎng)站：http://openai.fm/

官方博客：https://openai.com/index/introducing-our-next-generation-audio-models/