OpenAI 正将其新一代转录与语音生成 AI 模型接入 API，并宣称性能较前代显著提升。此举契合其“代理（agentic）”愿景，即构建能独立代表用户完成任务的自动化系统。
🤖 迈向“代理”时代
尽管“代理”定义尚存争议，但 OpenAI 产品负责人 Olivier Godement 将其通俗解释为“能与企服客户对话的聊天机器人”。他表示：“未来数月我们将看到更多代理涌现，核心目标是帮助开发者打造有用、可用且精准的代理体验。”
🗣️ 语音合成：更真实、更可控
新文本转语音模型 gpt-4o-mini-tts 不仅音色更细腻逼真，还具备更强的“可控性”。开发者可通过自然语言指令定制说话风格，例如“像疯狂科学家一样”或“使用正念导师般宁静的声音”。
产品团队成员 Jeff Harris 强调，关键在于定制语音的“体验”与“语境”。“在客服场景中，若需表达歉意，声音应包含相应情感。我们坚信用户希望掌控的不仅是‘说什么’，更是‘怎么说’。”
📝 语音转文本：告别幻觉，提升准确性
新语音转文本模型 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 将取代老旧的 Whisper 模型。它们在多样化高质量音频数据集上训练，能更好捕捉口音及嘈杂环境下的语音，且大幅降低了“幻觉”风险（即捏造内容或引入无关信息）。
Harris 指出：“确保模型精确听到单词而非自行填补细节，对可靠语音体验至关重要。”不过，实际效果仍因语言而异。内部基准测试显示，gpt-4o-transcribe 在泰米尔语、泰卢固语等印度及达罗毗荼语系语言上的词错误率（WER）接近 30%，即每 10 个词约有 3 个与人工转录不符。
🔒 闭源策略：规模过大，专注终端优化
不同于以往开源 Whisper 的做法，OpenAI 计划不公开提供新转录模型。Harris 解释称，新模型“规模远大于 Whisper”，无法在本地笔记本直接运行，不适合作为开源项目发布。
他表示：“开源发布需深思熟虑。我们认为终端用户设备是开源模型最具吸引力的场景之一，因此更倾向于推出针对特定需求优化的模型。”
注：本文于 2025 年 3 月 20 日上午 11:54（太平洋时间）更新，以澄清关于词错误率（WER）的表述，并采用最新版本数据更新了基准测试结果图表。