OpenAIは本日（7月29日）、X上でGPT-Live-TranscribeとGPT-Transcribeの2種類の文字起こしモデルを発表し、API経由での利用にも対応すると明らかにしました。
利用料金について
GPT-Live-Transcribeの文字起こし料金は1分あたり0.017ドル（注：現在の為替レートで約0.12人民元）
GPT-Transcribeの文字起こし料金は1分あたり0.0045ドル（現在の為替レートで約0.03人民元）
OpenAIによると、同社の従来モデルと比べ、これら2種類の文字起こしモデルは文脈をより適切に理解でき、さまざまなアクセントや言語の現実世界の音声に対して、より正確な文字起こしを提供できます。フレーズ、数字、専門用語、大きな背景ノイズを含む音声にも対応します。
GPT-Live-Transcribeは低遅延のリアルタイム文字起こし向けに構築され、GPT-Transcribeは完成済みの音声ファイルやバッチ処理の非同期文字起こしに最適化されています。
Context Aware ASRベンチマークテストでは、GPT-Transcribeの意味的正確性は、自由形式の文脈がない場合の41.6%から、文脈がある場合には45.2%へ向上しました。
Common Voiceの22言語では、GPT-Transcribeの文字起こし誤り率は19.27%で、Whisper（whisper-1）の40.37%を下回りました。現実世界の音声録音ベンチマークの9言語では、文字起こし誤り率8.98%を達成し、Whisper（whisper-1）は15.21%でした。