OpenAI merilis dua model pengenalan suara, GPT Transcribe dan GPT Live Transcribe, memangkas biaya transkripsi file sebesar 25% dengan tingkat kesalahan kata 3,31% pada tolok ukur akurasi independen.
Poin Utama:
- GPT Transcribe mencatat word error rate 3,31% pada indeks AA-WER, menempati posisi kesembilan dari sistem yang dipantau.
- Transkripsi file kini dikenakan tarif US$0,0045 per menit, 25% lebih murah dari GPT-4o Transcribe, sementara streaming dikenai US$0,017.
- Keduanya menerima konteks tertulis, daftar kata kunci, dan petunjuk bahasa untuk meningkatkan akurasi pada audio berisik.
Model Transkripsi OpenAI Hadir di API
Perusahaan memperkenalkan kedua model tersebut di platform pengembang pada 28 Juli, disertai halaman model, panduan transkripsi yang ditulis ulang, serta contoh kode untuk setiap endpoint yang didukung. GPT Transcribe difokuskan pada file audio yang sudah selesai dan beban kerja batch yang lebih berat. Model ini memproses rekaman sekitar 34 kali lebih cepat dari durasi asli, cukup gesit untuk arsip, namun masih tertinggal dari layanan transkripsi tercepat di pasar.
GPT Live Transcribe menggarap sisi lainnya: mengalirkan teks secara langsung lewat koneksi terbuka ketika pembicara masih berbicara. Pengembang dapat mengatur seberapa jauh model mengorbankan latensi demi stabilitas transkrip, dan Microsoft sudah lebih dulu mencantumkan kedua versi ini di dalam platform Foundry miliknya.
Keduanya bisa diberi deskripsi teks polos mengenai rekaman, daftar kata kunci untuk nama dan istilah teknis, serta petunjuk bahasa yang diperkirakan pengguna. Konteks ini meningkatkan akurasi semantik pada tolok ukur internal OpenAI dari 41,6% menjadi 45,2%. Model untuk file dipatok US$0,0045 per menit audio, seperempat lebih murah dari pendahulunya, sementara versi streaming menelan biaya US$0,017 per menit sesi aktif.
Baca Juga: Volume DEX Turun 26% di Juli Seiring Likuiditas On-Chain Menyusut
Artificial Analysis Tempatkan GPT Transcribe di Peringkat Sembilan
Artificial Analysis mengukur GPT Transcribe dengan word error rate 3,31% pada indeks AA-WER, menempatkannya di posisi kesembilan dari sekitar 50 sistem yang saat ini mereka pantau. Itu merupakan perbaikan 0,7 poin persentase dibanding GPT-4o Transcribe, meski model masih kesulitan pada materi berat seperti earning call, dengan skor 6,10%.
Di 22 bahasa pada dataset Common Voice, OpenAI mencatat kesalahan 19,27% dibanding 40,37% untuk Whisper. Alibaba memimpin tabel akurasi dengan 1,8%, di depan ElevenLabs, Google, dan Mistral yang modelnya berada di kisaran 2,2% hingga 2,9%. Satu ulasan peluncuran mengingatkan bahwa angka indeks cenderung menyanjung semua sistem, karena model GPT-4o yang sama bisa mendekati 3% pada klip bersih namun “kolaps” saat berhadapan dengan audio earning call yang berantakan.
Rangkaian Rilis Audio OpenAI Sejak Whisper
Peluncuran ini menutup tahun yang padat bagi OpenAI di ranah audio. Whisper hadir sebagai model open source pada 2022 dan dengan cepat menjadi standar murah untuk transkripsi podcast, call center, ruang redaksi, hingga arsip riset di berbagai negara.
GPT-4o Transcribe menyusul pada 2025 dengan tarif US$0,006 per menit, dan versi yang lebih kecil dibanderol setengah harga. Pada Mei, perusahaan merilis GPT-Realtime-2 bersama model penerjemahan dan GPT-Realtime-Whisper, yang menangani streaming langsung dengan tarif sama US$0,017 yang juga dipakai model baru saat ini.
Pesaing terus menurunkan harga, dan Mistral kini memulai penawaran di kisaran US$0,003.
Selanjutnya: Agen “Rogue” OpenAI Bobol 4 Layanan Lain di Luar Hugging Face