ITCOW牛新网 3月21日消息，OpenAI于当地时间3月20日发布博文，宣布推出全新的语音转文本（speech-to-text）和文本转语音（text-to-speech）模型，旨在提升语音处理能力，支持开发者构建更精准、可定制的语音交互系统，进一步推动人工智能语音技术的商业化应用。
在语音转文本领域，OpenAI推出了两款新模型：gpt-4o-transcribe和gpt-4o-mini-transcribe。官方表示，这两款模型在单词错误率（WER）、语言识别和准确性上均超越了现有的Whisper系列。这两款模型支持超过100种语言，通过强化学习和多样化高质量音频数据集训练，能够捕捉细微的语音特征，减少误识别，尤其在嘈杂环境、口音及不同语速下表现更加稳定。
在文本转语音方面，OpenAI推出了gpt-4o-mini-tts模型。开发者可以通过指令（如“模拟耐心客服”或“生动故事叙述”）控制语音风格，适用于客服场景（合成更具同理心的语音，提升用户体验）和创意内容领域（为有声书或游戏角色设计个性化声音）。
模型API费用详情如下：
gpt-4o-transcribe：
- 音频输入：每100万tokens费用6美元
- 文本输入：每100万tokens费用2.5美元
- 输出：每100万tokens费用10美元
- 每分钟成本：0.6美分
gpt-4o-mini-transcribe：
- 音频输入：每100万tokens费用3美元
- 文本输入：每100万tokens费用1.25美元
- 输出：每100万tokens费用5美元
- 每分钟成本：0.3美分
gpt-4o-mini-tts：
- 输入：每100万tokens费用0.60美元
- 输出：每100万tokens费用12美元
- 每分钟成本：1.5美分
此次推出的新模型不仅提升了语音处理的精准度和适应性，还为开发者提供了更多定制化选项，有望在客服、教育、娱乐等多个领域推动语音交互技术的广泛应用。随着人工智能语音技术的不断进步，OpenAI正在为语音交互的未来开辟更多可能性。