OpenAI 推出新一代语音模型 API

今日凌晨，OpenAI 宣布在其 API 中推出全新一代音频模型，包括语音转文本和文本转语音功能，让开发者能够轻松构建强大的语音 Agent。新产品的核心亮点概述如下：

· gpt-4o-transcribe（语音转文本）：单词错误率（WER）显著降低，在多个基准测试中优于现有 Whisper 模型。采用多样化、高质量音频数据集进行了长时间的训练，能更好地捕获语音细微差别，减少误识别，大幅提升转录可靠性，并更适用于处理口音多样、环境嘈杂、语速变化等挑战场景；

· gpt-4o-mini-transcribe（语音转文本）：gpt-4o-transcribe 的精简版本，基于 GPT-4o-mini 架构，通过知识蒸馏技术从大模型转移能力，速度更快、效率更高，适合资源有限但仍需高质量语音识别的应用场景；

· gpt-4o-mini-tts（文本转语音）：首次支持「可引导性」（steerability），开发者不仅能指定「说什么」，还能控制「如何说」。具体而言，开发者可以预设多种语音风格，并能根据指令调整语音风格。

值得关注的是，gpt-4o-transcribe 与 gpt-4o-mini-transcribe 这两款模型在 FLEURS 多语言基准测试中的表现超越了现有的 Whisper v2 和 v3 模型，尤其在英语、西班牙语等多种语言上表现突出。

价格方面，gpt-4o-transcribe 与之前的 Whisper 模型价格相同，每分钟 0.006 美元；而 gpt-4o-mini-transcribe 则是前者的一半，每分钟 0.003 美元；gpt-4o-mini-tts 为每分钟 0.015 美元。目前，所有全新音频模型已向全球开发者开放。

此外，OpenAI 还介绍了两种构建语音 Agent 技术路径：

· 「语音到语音模型」采用端到端的直接处理方式：系统可直接接收用户语音输入并生成语音回复，无需中间转换步骤；

· 「链式方法」：首先使用语音转文本模型将用户语音转为文字，然后由大型语言模型(LLM)处理这些文本内容并生成回应文本，最后通过文本转语音模型将回应转为自然语音输出。其优势在于模块化设计，各组件可独立优化；处理结果更稳定；同时开发门槛更低，开发者可基于现有文本系统快速添加语音功能。