OpenAI 昨日（3 月 20 日）發(fā)布博文，宣布推出語(yǔ)音轉(zhuǎn)文本（speech-to-text）和文本轉(zhuǎn)語(yǔ)音（text-to-speech）模型，提升語(yǔ)音處理能力，支持開(kāi)發(fā)者構(gòu)建更精準(zhǔn)、可定制的語(yǔ)音交互系統(tǒng)，進(jìn)一步推動(dòng)人工智能語(yǔ)音技術(shù)的商業(yè)化應(yīng)用。
在語(yǔ)音轉(zhuǎn)文本模型上，OpenAI 主要推出了 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 兩個(gè)模型，官方表示在單詞錯(cuò)誤率（WER）、語(yǔ)言識(shí)別和準(zhǔn)確性上超越現(xiàn)有 Whisper 系列。
這兩個(gè)模型支持超 100 種語(yǔ)言，主要通過(guò)強(qiáng)化學(xué)習(xí)和多樣化高質(zhì)量音頻數(shù)據(jù)集訓(xùn)練，能捕捉細(xì)微語(yǔ)音特征，減少誤識(shí)別，尤其在嘈雜環(huán)境、口音及不同語(yǔ)速下表現(xiàn)更穩(wěn)定。
在文本轉(zhuǎn)語(yǔ)音上，OpenAI 最新推出了 gpt-4o-mini-tts 模型，開(kāi)發(fā)者通過(guò)“模擬耐心客服”或“生動(dòng)故事敘述”等指令，控制語(yǔ)音風(fēng)格，可以應(yīng)用于客服（合成更具同理心的語(yǔ)音，提升用戶(hù)體驗(yàn)）和創(chuàng)意內(nèi)容（為有聲書(shū)或游戲角色設(shè)計(jì)個(gè)性化聲音）方面。
IT之家援引博文介紹，附上三款模型費(fèi)用如下：
gpt-4o-transcribe：音頻輸入每 100 萬(wàn) tokens 費(fèi)用 6 美元、文本輸入每 100 萬(wàn) tokens 費(fèi)用 2.5 美元，輸出每 100 萬(wàn) tokens 費(fèi)用 10 美元，每分鐘成本 0.6 美分。
gpt-4o-mini-transcribe：音頻輸入每 100 萬(wàn) tokens 費(fèi)用 3 美元、文本輸入每 100 萬(wàn) tokens 費(fèi)用 1.25 美元，輸出每 100 萬(wàn) tokens 費(fèi)用 5 美元，每分鐘成本 0.3 美分。
gpt-4o-mini-tts：每 100 萬(wàn) tokens 輸入費(fèi)用為 0.60 美元，每 100 萬(wàn) tokens 輸出費(fèi)用為 12 美元，每分鐘成本 1.5 美分。 
