OpenAI近期在語音技術(shù)領(lǐng)域取得了顯著進(jìn)展，于3月20日正式宣布推出全新的語音轉(zhuǎn)文本及文本轉(zhuǎn)語音模型，這一舉措旨在增強(qiáng)語音處理能力，并為開發(fā)者提供更加精確和可定制化的語音交互系統(tǒng)解決方案，進(jìn)一步推動(dòng)人工智能語音技術(shù)的商業(yè)化落地。
在語音轉(zhuǎn)文本方面，OpenAI推出了兩款重量級(jí)模型：gpt-4o-transcribe和gpt-4o-mini-transcribe。據(jù)官方介紹，這兩款模型在單詞錯(cuò)誤率、語言識(shí)別準(zhǔn)確性和性能方面，均超越了現(xiàn)有的Whisper系列模型。它們能夠支持超過100種語言的識(shí)別，通過強(qiáng)化學(xué)習(xí)和多樣化的高質(zhì)量音頻數(shù)據(jù)集進(jìn)行訓(xùn)練，有效捕捉語音中的細(xì)微特征，顯著減少了誤識(shí)別率。特別是在嘈雜環(huán)境、口音差異以及不同語速下，這兩款模型表現(xiàn)出了更加穩(wěn)定和出色的性能。
對(duì)于文本轉(zhuǎn)語音領(lǐng)域，OpenAI推出了gpt-4o-mini-tts模型。這款模型允許開發(fā)者通過指令控制語音風(fēng)格，如“模擬耐心客服”或“生動(dòng)故事敘述”，從而滿足多樣化的應(yīng)用場景需求。在客服領(lǐng)域，gpt-4o-mini-tts能夠合成更具同理心的語音，提升用戶體驗(yàn)；在創(chuàng)意內(nèi)容方面，它則能夠?yàn)橛新晻蛴螒蚪巧O(shè)計(jì)個(gè)性化聲音，帶來更加豐富和生動(dòng)的聽覺體驗(yàn)。
OpenAI在發(fā)布的博文中還詳細(xì)公布了這三款模型的費(fèi)用情況。gpt-4o-transcribe模型對(duì)于音頻輸入、文本輸入和輸出的費(fèi)用分別為每100萬tokens 6美元、2.5美元和10美元，每分鐘成本為0.6美分。相比之下，gpt-4o-mini-transcribe模型則更加經(jīng)濟(jì)實(shí)惠，音頻輸入、文本輸入和輸出的費(fèi)用分別為每100萬tokens 3美元、1.25美元和5美元，每分鐘成本為0.3美分。而gpt-4o-mini-tts模型的費(fèi)用則為每100萬tokens輸入0.6美元，輸出12美元，每分鐘成本為1.5美分。
此次OpenAI推出的全新語音轉(zhuǎn)文本和文本轉(zhuǎn)語音模型，不僅提升了語音技術(shù)的性能和準(zhǔn)確性，還為開發(fā)者提供了更加靈活和多樣化的應(yīng)用方案。隨著人工智能技術(shù)的不斷發(fā)展，這些模型有望在更多領(lǐng)域得到廣泛應(yīng)用，推動(dòng)人工智能語音技術(shù)的進(jìn)一步普及和商業(yè)化。
