OpenAI نے آج (29 جولائی) X پلیٹ فارم پر اعلان کرتے ہوئے GPT-Live-Transcribe اور GPT-Transcribe نامی دو ٹرانسکرپشن ماڈلز متعارف کرانے کا اعلان کیا، جنہیں API کے ذریعے استعمال کیا جا سکتا ہے۔
استعمال کی لاگت کے حوالے سے
GPT-Live-Transcribe کی ٹرانسکرپشن فیس 0.017 امریکی ڈالر فی منٹ ہے (نوٹ: موجودہ شرح مبادلہ کے مطابق تقریباً 0.12 چینی یوآن)
GPT-Transcribe کی ٹرانسکرپشن فیس 0.0045 امریکی ڈالر فی منٹ ہے (موجودہ شرح مبادلہ کے مطابق تقریباً 0.03 چینی یوآن)
OpenAI نے سرکاری طور پر بتایا کہ کمپنی کے سابقہ ماڈلز کے مقابلے میں یہ دونوں ٹرانسکرپشن ماڈلز سیاق و سباق کو بہتر طور پر سمجھ سکتے ہیں اور مختلف لہجوں اور زبانوں پر مشتمل حقیقی دنیا کے آڈیو میں زیادہ درست ٹرانسکرپشن فراہم کر سکتے ہیں، جس میں فقرے، اعداد، تکنیکی اصطلاحات اور تیز پسِ منظر کے شور والی آوازیں شامل ہیں۔
GPT-Live-Transcribe کو کم تاخیر والی حقیقی وقت کی ٹرانسکرپشن کے لیے تیار کیا گیا ہے، جبکہ GPT-Transcribe مکمل شدہ آڈیو فائلوں اور بیچ ورک لوڈز کی غیر ہم وقتی ٹرانسکرپشن کو بہتر بناتا ہے۔
Context Aware ASR کے بینچ مارک ٹیسٹ میں، GPT-Transcribe کی معنوی درستگی آزادانہ انداز کے سیاق و سباق کے بغیر 41.6% سے بڑھ کر سیاق و سباق کے ساتھ 45.2% ہو گئی۔
Common Voice کی 22 زبانوں میں GPT-Transcribe کی ٹرانسکرپشن غلطی کی شرح 19.27% رہی، جبکہ Whisper (whisper-1) کی شرح 40.37% تھی۔ حقیقی دنیا کے آڈیو ریکارڈنگ بینچ مارک کی نو زبانوں میں اس نے 8.98% کی ٹرانسکرپشن غلطی کی شرح حاصل کی، جبکہ Whisper (whisper-1) کی شرح 15.21% تھی۔