OpenAI 推出三款新语音模型
OpenAI 正式推出 gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-mini-tts 三款全新语音模型，现已通过 API 向开发者开放。个人用户可通过 OpenAI.fm 在线测试体验。
声音自定义功能升级
其中，gpt-4o-mini-tts 支持通过文本提示自定义生成声音，涵盖口音、音高、语调等多种预设选项。该功能可帮助用户更精准地传达所需情感。
模型定位与性能表现
上述模型定位为 2024 年 5 月发布的 GPT-4o 变体，经额外数据重新训练，专注于转录与语音场景的卓越表现。目前尚不确定何时集成至 ChatGPT。
gpt-4o-transcribe 系列旨在取代开源 Whisper 模型，多项指标表现更优：在嘈杂环境、多口音及超 100 种语言的不同语速下，词错率（WER）显著降低；英语错误率较 Whisper 低 2.46%。
技术特性说明
据 OpenAI 技术团队成员 Jeff Harris 介绍，新模型不支持“说话人分离”（diarization）。其设计为接收单通道音频输入（无论时长或声源数量），并以单一输出声源响应。
API 定价标准
• gpt-4o-transcribe：每百万音频输入 Token 收费 $6.00
• gpt-4o-mini-transcribe：每百万音频输入 Token 收费 $3.00
• gpt-4o-mini-tts：每百万文本输入 Token 收费 $0.60，每百万音频输出 Token 收费 $12.00