OpenAI 发布 GPT Transcribe 语音识别模型，错误率仍落后 ElevenLabs 等对手

OpenAI 于 7 月 29 日通过 API 发布了 GPT Transcribe 和 GPT Live Transcribe 两款新的语音识别模型，旨在提升转录能力并降低使用成本。GPT Transcribe 专为处理预录音频文件设计，处理速度比实时快约 34 倍；GPT Live Transcribe 则针对低延迟的实时流式转录场景。两款模型均支持转录上下文、关键词以及多种输入语言。

根据第三方评测机构 Artificial Analysis 的 AA-WER 基准测试，GPT Transcribe 的词错误率（WER）为 3.31%，相比一年前发布的 GPT-4o Transcribe 改善了 0.7 个百分点。同时，OpenAI 将定价下调 25%，至每分钟音频 0.0045 美元。

尽管性能有所提升，OpenAI 在语音识别准确率上仍落后于多家竞争对手。在 AA-WER 排行榜上，ElevenLabs Scribe v2 以 2.3% 的错误率位居榜首，Google 的 Gemini 3 Pro 以 2.9% 紧随其后，Mistral 的 Voxtral Small 则以 3.0% 位列第三。Mistral 近期还推出了 Voxtral Transcribe V2，起价仅为每分钟 0.003 美元，进一步加剧了价格竞争。

新发布的转录模型与 OpenAI 此前宣布的 Realtime 模型生成功能形成互补，后者也包括实时转录模型 GPT-Realtime-Whisper。OpenAI 在其官方转录指南中提供了详细的技术文档。

此次发布正值语音 AI 市场快速扩张之际，企业对高精度、低成本的语音识别需求日益增长。OpenAI 在降低价格的同时提升性能，意图巩固其在开发者生态中的地位。然而，面对 ElevenLabs、Google 和 Mistral 等对手在准确率上的领先优势，OpenAI 仍需在模型架构或训练数据上寻求突破，以缩小差距。