OpenAI vừa công bố hai mô hình nhận dạng giọng nói mới – GPT Transcribe và GPT Live Transcribe – cắt giảm chi phí chuyển âm file thêm 25%, đồng thời đạt mức sai số từ vựng 3,31% trong một bài kiểm định độc lập.
Điểm nhấn chính:
- GPT Transcribe đạt tỷ lệ lỗi từ (WER) 3,31% trên chỉ số AA-WER, xếp thứ 9 trong số các hệ thống được theo dõi.
- Phí chuyển âm file hiện ở mức 0,0045 USD/phút, thấp hơn 25% so với GPT-4o Transcribe, trong khi phát trực tuyến (streaming) là 0,017 USD/phút.
- Cả hai mô hình đều cho phép nhập ngữ cảnh bằng văn bản, danh sách từ khóa và gợi ý ngôn ngữ để cải thiện độ chính xác trên audio nhiễu.
Mô hình chuyển âm của OpenAI lên sóng API
OpenAI giới thiệu cả hai mô hình thông qua nền tảng dành cho lập trình viên ngày 28/7, đồng thời công bố trang thông tin mô hình, hướng dẫn chuyển âm được viết lại và bộ mẫu mã cho mọi endpoint được hỗ trợ. GPT Transcribe xử lý các file âm thanh hoàn chỉnh và các tác vụ batch khối lượng lớn, với tốc độ khoảng 34 lần thời lượng thực. Tốc độ này đủ nhanh cho lưu trữ, nhưng vẫn chậm đáng kể so với các dịch vụ chuyển âm nhanh nhất trên thị trường.
GPT Live Transcribe đảm nhiệm nửa còn lại: trả văn bản theo thời gian thực qua kết nối mở khi người dùng vẫn đang nói. Lập trình viên có thể tinh chỉnh mức đánh đổi giữa độ trễ và độ ổn định của bản ghi. Microsoft đã nhanh chóng niêm yết cả hai phiên bản trong nền tảng Foundry của hãng.
Cả hai mô hình đều chấp nhận mô tả nội dung bản ghi bằng văn bản thuần, danh sách từ khóa gồm tên riêng và thuật ngữ chuyên ngành, cùng gợi ý về các ngôn ngữ được kỳ vọng. Lớp ngữ cảnh này nâng độ chính xác ngữ nghĩa trên thang đo nội bộ của OpenAI từ 41,6% lên 45,2%. Mô hình xử lý file được tính phí 0,0045 USD cho mỗi phút audio, thấp hơn 1/4 so với phiên bản tiền nhiệm, trong khi mô hình streaming có giá 0,017 USD cho mỗi phút phiên làm việc.
Bài liên quan: Khối lượng giao dịch DEX giảm 26% trong tháng 7 khi thanh khoản on-chain co hẹp
Artificial Analysis xếp GPT Transcribe ở vị trí thứ 9
Hãng phân tích Artificial Analysis đo lường GPT Transcribe với tỷ lệ lỗi từ 3,31% trên chỉ số AA-WER, đưa mô hình vào vị trí thứ 9 trong khoảng 50 hệ thống mà công ty đang theo dõi. Kết quả này cải thiện 0,7 điểm phần trăm so với GPT-4o Transcribe, dù mô hình vẫn gặp khó với các nội dung phức tạp hơn, khi ghi nhận mức lỗi 6,10% trên transcript cuộc gọi công bố kết quả kinh doanh.
Trên tập dữ liệu Common Voice với 22 ngôn ngữ, OpenAI đạt tỷ lệ lỗi 19,27%, so với 40,37% của Whisper. Alibaba đang dẫn đầu về độ chính xác với mức 1,8%, xếp trên ElevenLabs, Google và Mistral, khi các mô hình này dao động trong khoảng 2,2%–2,9%. Một bài đánh giá ra mắt sản phẩm cảnh báo rằng các con số trên chỉ số này có phần “nịnh mắt” tất cả hệ thống, bởi cùng mô hình GPT-4o vốn đạt gần 3% trên các đoạn ghi âm sạch lại cho kết quả rất tệ với audio cuộc gọi lợi nhuận lộn xộn.
Dòng sản phẩm audio của OpenAI sau Whisper
Đợt ra mắt mới là dấu mốc cho một năm hoạt động dày đặc của OpenAI trong mảng audio. Whisper được phát hành như mô hình mở từ năm 2022, nhanh chóng trở thành lựa chọn giá rẻ mặc định cho nhu cầu chuyển âm tại các podcast, tổng đài chăm sóc khách hàng, tòa soạn và kho lưu trữ nghiên cứu trên toàn cầu.
GPT-4o Transcribe ra mắt năm 2025 với giá 0,006 USD/phút, kèm phiên bản rút gọn có giá bằng một nửa. Tháng 5 vừa qua, công ty phát hành GPT-Realtime-2 cùng mô hình dịch thuật và GPT-Realtime-Whisper, có khả năng xử lý streaming với mức giá 0,017 USD – tương đương mức mà mô hình mới hiện đang áp dụng.
Trong khi đó, các đối thủ liên tục giảm giá, với Mistral hiện bắt đầu biểu phí từ 0,003 USD.
Đọc tiếp: Tác nhân “ngoài tầm kiểm soát” của OpenAI đã xâm nhập thêm 4 dịch vụ ngoài Hugging Face