OpenAI深夜发布3个全新的语音模型，一手实测都在这了。

232 0 0

文章摘要

OpenAI近期发布了一系列新的语音和文本处理模型，包括两个语音转文本（STT）模型和一个文本生成语音（TTS）模型。这些模型通过API提供接入方式，旨在提升语音识别的准确性和文本生成语音的自然度。首先，gpt-4o-transcribe和gpt-4o-mini-transcribe是OpenAI推出的两个STT模型，前者是完整版，后者是小参数版。这两个模型的核心在于提高语音识别的准确率，尤其是在多语言环境下的表现。通过FLEURS数据集的测试，OpenAI的模型在词错率（WER）上表现优异，尤其是在英语等主流语言中，但在中文等语言上仍存在一定的挑战。与Google的Gemini和Anthropic的Scribe相比，OpenAI的模型在对比中达到了SOTA（当前最优水平），但未与其他未公开的模型进行对比。此外，gpt-4o-transcribe具备自动清噪和去除非主线人物语音的功能，使得在复杂音频环境下的转录效果更加准确。

在价格方面，gpt-4o-transcribe每分钟收费$0.006，而gpt-4o-mini-transcribe则更为经济，每分钟仅需$0.003，性价比尤为突出。对于开发者而言，这两个模型在语音识别任务中表现出色，尤其是gpt-4o-mini-transcribe，价格低廉且性能接近完整版，值得推荐。

另一方面，OpenAI还推出了gpt-4o-mini-tts，这是一个新的TTS模型，主要用于将文本转换为语音。在英语生成效果上，该模型表现良好，但在中文生成上存在明显不足，发音不够自然，与国内如Minimax等中文语音模型相比差距较大。尽管如此，gpt-4o-mini-tts在价格上具有优势，每分钟仅需$0.015，远低于市场上其他同类产品。OpenAI还为该模型提供了一个功能演示网站，用户可以通过自定义参数生成不同情绪基调的语音，但实际操作中，手动调整参数较为繁琐，建议直接使用AI生成的提示词。

总体而言，OpenAI此次发布的模型在语音识别和文本生成语音领域取得了显著进展，尤其是在多语言识别和价格竞争力方面表现突出。然而，中文语音生成仍然是其短板，建议在中文场景下使用国内如Minimax等更为成熟的解决方案。对于开发者而言，OpenAI的API接入方式简便，仅需10行代码即可完成集成，极大降低了使用门槛。