OpenAI 昨日（3 月 20 日）發(fā)布博文，宣布推出語音轉(zhuǎn)文本（speech-to-text）和文本轉(zhuǎn)語音（text-to-speech）模型，提升語音處理能力，支持開發(fā)者構(gòu)建更精準(zhǔn)、可定制的語音交互系統(tǒng)，進(jìn)一步推動人工智能語音技術(shù)的商業(yè)化應(yīng)用。
在語音轉(zhuǎn)文本模型上，OpenAI 主要推出了 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 兩個模型，官方表示在單詞錯誤率（WER）、語言識別和準(zhǔn)確性上超越現(xiàn)有 Whisper 系列。
這兩個模型支持超 100 種語言，主要通過強化學(xué)習(xí)和多樣化高質(zhì)量音頻數(shù)據(jù)集訓(xùn)練，能捕捉細(xì)微語音特征，減少誤識別，尤其在嘈雜環(huán)境、口音及不同語速下表現(xiàn)更穩(wěn)定。
在文本轉(zhuǎn)語音上，OpenAI 最新推出了 gpt-4o-mini-tts 模型，開發(fā)者通過“模擬耐心客服”或“生動故事敘述”等指令，控制語音風(fēng)格，可以應(yīng)用于客服（合成更具同理心的語音，提升用戶體驗）和創(chuàng)意內(nèi)容（為有聲書或游戲角色設(shè)計個性化聲音）方面。
IT之家援引博文介紹，附上三款模型費用如下：
gpt-4o-transcribe：音頻輸入每 100 萬 tokens 費用 6 美元、文本輸入每 100 萬 tokens 費用 2.5 美元，輸出每 100 萬 tokens 費用 10 美元，每分鐘成本 0.6 美分。
gpt-4o-mini-transcribe：音頻輸入每 100 萬 tokens 費用 3 美元、文本輸入每 100 萬 tokens 費用 1.25 美元，輸出每 100 萬 tokens 費用 5 美元，每分鐘成本 0.3 美分。
gpt-4o-mini-tts：每 100 萬 tokens 輸入費用為 0.60 美元，每 100 萬 tokens 輸出費用為 12 美元，每分鐘成本 1.5 美分。 
