OpenAI 釋出 GPT Transcribe 語音識別模型，錯誤率仍落後 ElevenLabs 等對手

OpenAI 於 7 月 29 日通過 API 釋出了 GPT Transcribe 和 GPT Live Transcribe 兩款新的語音識別模型，旨在提升轉錄能力並降低使用成本。GPT Transcribe 專為處理預錄音頻檔案設計，處理速度比即時快約 34 倍；GPT Live Transcribe 則針對低延遲的即時流式轉錄場景。兩款模型均支援轉錄上下文、關鍵詞以及多種輸入語言。

根據第三方評測機構 Artificial Analysis 的 AA-WER 基準測試，GPT Transcribe 的詞錯誤率（WER）為 3.31%，相比一年前釋出的 GPT-4o Transcribe 改善了 0.7 個百分點。同時，OpenAI 將定價下調 25%，至每分鐘音訊 0.0045 美元。

儘管效能有所提升，OpenAI 在語音識別準確率上仍落後於多家競爭對手。在 AA-WER 排行榜上，ElevenLabs Scribe v2 以 2.3% 的錯誤率位居榜首，Google 的 Gemini 3 Pro 以 2.9% 緊隨其後，Mistral 的 Voxtral Small 則以 3.0% 位列第三。Mistral 近期還推出了 Voxtral Transcribe V2，起價僅為每分鐘 0.003 美元，進一步加劇了價格競爭。

新發布的轉錄模型與 OpenAI 此前宣佈的 Realtime 模型生成功能形成互補，後者也包括即時轉錄模型 GPT-Realtime-Whisper。OpenAI 在其官方轉錄指南中提供了詳細的技術文件。

此次釋出正值語音 AI 市場快速擴張之際，企業對高精度、低成本的語音識別需求日益增長。OpenAI 在降低價格的同時提升效能，意圖鞏固其在開發者生態中的地位。然而，面對 ElevenLabs、Google 和 Mistral 等對手在準確率上的領先優勢，OpenAI 仍需在模型架構或訓練資料上尋求突破，以縮小差距。