恰逢 ChatGPT API 推出，OpenAI 今日同步上线 Whisper API。这是其去年9月发布的开源语音转文本模型 Whisper 的托管版本。
Whisper API 定价为每分钟 0.006 美元。作为一款自动语音识别系统，它支持多语言“稳健”转录及英译功能，兼容 M4A、MP3、MP4、MPEG、MPGA、WAV 和 WEBM 等多种音频格式。
尽管 Google、Amazon 和 Meta 等巨头已拥有成熟的语音识别技术，但 OpenAI 总裁 Greg Brockman 指出，Whisper 的核心优势在于使用了从网络收集的 68 万小时多语言、多任务数据进行训练，显著提升了对独特口音、背景噪音及技术术语的识别能力。
Brockman 在接受 TechCrunch 采访时表示：“仅发布模型不足以支撑开发者生态。Whisper API 虽与开源版同源，但经过极致优化，速度更快且使用更便捷。”
企业采用语音转录技术仍面临诸多障碍。2020 年 Statista 调查显示，准确性不足、对口音/方言识别差以及成本过高，是企业尚未广泛采纳该技术的主要原因。
不过，Whisper 也存在局限，尤其在“下一个词”预测方面。由于训练数据包含大量噪声，OpenAI 警告称，Whisper 可能在转录中生成实际未说出的单词。此外，其在不同语言上的表现不均衡，对训练数据代表性不足的语言错误率较高。
这一偏见问题在语音识别领域并非个例。2020 年斯坦福大学研究发现，Amazon、Apple、Google、IBM 和 Microsoft 的系统在处理白人用户时的错误率比黑人用户低约 19%。
尽管如此，OpenAI 认为 Whisper 将助力现有应用与服务的升级。目前，AI 语言学习应用 Speak 已接入 Whisper API，推出了应用内虚拟口语伴侣功能。
若 OpenAI 能大规模切入语音转文本市场，将为微软系公司带来可观收益。报告显示，该细分市场价值预计将从 2021 年的 22 亿美元增长至 2026 年的 54 亿美元。
Brockman 表示：“我们的愿景是打造通用智能，灵活处理各类数据并执行多种任务，成为用户注意力的倍增器。”