OpenAI hat zwei neue Spracherkennungsmodelle vorgestellt – GPT Transcribe und GPT Live Transcribe. Sie senken die Kosten für Dateitranskription um 25 % und erreichen in einem unabhängigen Genauigkeits-Benchmark eine Wortfehlerrate von 3,31 %.
Wichtigste Punkte:
- GPT Transcribe kommt im AA-WER-Index auf eine Wortfehlerrate von 3,31 % und rangiert damit auf Platz neun der erfassten Systeme.
- Die Dateitranskription kostet nun 0,0045 US-Dollar pro Minute, 25 % weniger als GPT‑4o Transcribe, während Live-Streaming 0,017 US-Dollar kostet.
- Beide Modelle nutzen Kontexttexte, Keyword-Listen und Sprachhinweise, um die Genauigkeit bei schwierigem oder verrauschtem Audio zu erhöhen.
OpenAI-Transkriptionsmodelle kommen in die API
Das Unternehmen hat beide Modelle am 28. Juli über seine Entwicklerplattform eingeführt und begleitend Modelldokumentation, einen überarbeiteten Leitfaden zur Transkription sowie Codebeispiele für alle unterstützten Endpunkte veröffentlicht. GPT Transcribe ist auf fertige Audiodateien und umfangreiche Batch-Jobs ausgelegt. Das Modell verarbeitet Aufnahmen mit etwa dem 34‑fachen der Echtzeit – ausreichend für Archive, aber deutlich langsamer als die schnellsten Transkriptionsdienste am Markt.
GPT Live Transcribe deckt die Echtzeit-Seite ab und liefert Text über eine offene Verbindung zurück, während die Sprecherin oder der Sprecher noch redet. Entwicklerinnen und Entwickler können konfigurieren, wie stark das Modell Latenz gegen Stabilität der laufenden Transkription abwägt. Microsoft hat beide Varianten bereits in seiner eigenen Foundry-Plattform gelistet.
Beide Modelle akzeptieren eine Freitextbeschreibung der Aufnahme, eine Keyword-Liste für Namen und Fachbegriffe sowie Hinweise auf die voraussichtlichen Sprachen. Dieser Kontext hob die semantische Treffergenauigkeit in OpenAIs eigenem Benchmark von 41,6 % auf 45,2 %. Das Dateimodell berechnet 0,0045 US-Dollar je Audiominute – ein Viertel weniger als der Vorgänger –, während die Streaming-Variante 0,017 US-Dollar pro Minute einer offenen Sitzung kostet.
Auch interessant: DEX-Volumen bricht im Juli um 26 % ein, On-Chain-Liquidität dünnt aus
Artificial Analysis stuft GPT Transcribe nur auf Platz neun ein
Artificial Analysis hat GPT Transcribe in seinem AA-WER-Index mit einer Wortfehlerrate von 3,31 % gemessen und stuft das Modell damit auf Rang neun von rund 50 beobachteten Systemen ein. Das entspricht einer Verbesserung um 0,7 Prozentpunkte gegenüber GPT‑4o Transcribe. Bei anspruchsvollerem Material tut sich das Modell jedoch weiterhin schwer und kommt bei Earnings Calls auf 6,10 %.
Über 22 Sprachen im Common-Voice-Datensatz hinweg verzeichnete OpenAI eine Fehlerrate von 19,27 %, während Whisper bei 40,37 % lag. Alibaba führt das Genauigkeitsranking mit 1,8 % an, gefolgt von ElevenLabs, Google und Mistral, deren Modelle zwischen 2,2 % und 2,9 % liegen. Eine Analyse des Marktstarts warnt allerdings, dass die Indexwerte alle Systeme in einem zu positiven Licht erscheinen lassen: Dasselbe GPT‑4o‑Modell, das bei sauberen Clips nahe 3 % lag, geriet bei unruhigen Earnings-Aufnahmen deutlich ins Straucheln.
OpenAI im Audiobereich seit Whisper
Der Launch krönt ein intensives Audio-Jahr für OpenAI. Whisper war 2022 als offenes Modell erschienen und avancierte rasch zum günstigen Standard für Transkription in Podcasts, Callcentern, Redaktionen und Forschungsarchiven weltweit.
GPT‑4o Transcribe folgte 2025 mit einem Preis von 0,006 US-Dollar pro Minute, flankiert von einer kleineren Version zum halben Tarif. Im Mai lieferte das Unternehmen GPT‑Realtime‑2 zusammen mit einem Übersetzungsmodell und GPT‑Realtime‑Whisper aus, das Livestreams zum selben Tarif von 0,017 US-Dollar pro Minute verarbeitete, den auch das aktuelle Modell verlangt.
Die Konkurrenz hat die Preise seither weiter gedrückt; Mistral startet inzwischen bei 0,003 US-Dollar.
Als Nächstes lesen: OpenAIs „Rogue Agent“ kompromittierte vier weitere Dienste über Hugging Face hinaus