OpenAI hat mit der Einführung von GPT Transcribe und GPT Live Transcribe zwei neue Modelle zur Spracherkennung über API vorgestellt. GPT Transcribe ist für die Verarbeitung von bereits aufgenommenen Audiodateien konzipiert und arbeitet etwa 34-mal schneller als in Echtzeit. Im Gegensatz dazu ist GPT Live Transcribe für Echtzeit-Streaming mit minimaler Verzögerung optimiert.
Nach Angaben von Artificial Analysis, die den Benchmark AA-WER durchführen, erreicht GPT Transcribe eine Wortfehlerrate von 3,31 Prozent, was eine Verbesserung um 0,7 Prozentpunkte im Vergleich zum Vorgängermodell GPT-4o Transcribe darstellt. Zudem sinkt der Preis um 25 Prozent auf 0,45 Cent pro Minute Audio. Beide Modelle unterstützen Text als Transkriptionskontext, Schlüsselwörter und mehrere Eingabesprachen.
Trotz dieser Fortschritte bleibt OpenAI im AA-WER-Ranking hinter den Modellen von ElevenLabs Scribe v2 (2,3 Prozent Fehlerrate), Googles Gemini 3 Pro (2,9 Prozent) und Mistrals Voxtral Small (3 Prozent) zurück. Mistral hat kürzlich mit Voxtral Transcribe V2 zu einem Preis von 0,3 Cent pro Minute einen aggressiven Wettbewerbspreis gesetzt. Weitere Informationen sind im Transcription Guide zu finden. Die neuen Transkriptionsmodelle erweitern das kürzlich vorgestellte Realtime-Modell von OpenAI, zu dem auch das Echtzeit-Transkriptionsmodell GPT-Realtime-Whisper gehört.
„`
Quellen: the-decoder
Bildquelle: KI generiert
🚀