OpenAI近日在人工智能技術領域邁出了重要一步，于3月20日正式宣布推出全新的語音轉文本（speech-to-text）及文本轉語音（text-to-speech）模型，旨在顯著提升語音處理能力，并為開發者提供更加精確、高度可定制的語音交互系統解決方案。這一舉措預示著人工智能語音技術商業化應用的進一步加速。
在語音轉文本領域，OpenAI推出了gpt-4o-transcribe和gpt-4o-mini-transcribe兩款模型，據官方宣稱，這兩款模型在單詞錯誤率（WER）、語言識別精度以及整體準確性方面，均超越了其現有的Whisper系列模型。它們能夠支持超過100種語言，通過強化學習和多樣化高質量音頻數據集的深入訓練，成功捕捉語音中的細微特征，有效減少誤識別情況，特別是在嘈雜環境、不同口音及語速變化下，展現出更加穩定的性能。
這兩款新模型的問世，無疑為開發者提供了更為強大的工具，使他們能夠構建出更加精準、適應性更強的語音交互系統，滿足不同場景下的需求。無論是智能客服、智能家居，還是自動駕駛等領域，都將因此受益。
在文本轉語音方面，OpenAI同樣推出了創新的gpt-4o-mini-tts模型。這款模型允許開發者通過簡單的指令，如“模擬耐心客服”或“生動故事敘述”，來控制語音的風格和語調。這一特性使得gpt-4o-mini-tts在客服領域具有巨大潛力，能夠合成更具同理心的語音，從而顯著提升用戶體驗。同時，它也為創意內容制作帶來了無限可能，如有聲書錄制、游戲角色配音等。
為了幫助開發者更好地了解和使用這些新模型，OpenAI還公布了詳細的費用說明。gpt-4o-transcribe模型在處理音頻輸入時，每100萬tokens的費用為6美元，文本輸入和輸出的費用分別為2.5美元和10美元，每分鐘的成本為0.6美分。相比之下，gpt-4o-mini-transcribe模型的費用更加親民，音頻輸入、文本輸入和輸出的費用分別為3美元、1.25美元和5美元，每分鐘的成本僅為0.3美分。而gpt-4o-mini-tts模型則按輸入和輸出分別計費，每100萬tokens的輸入費用為0.6美元，輸出費用為12美元，每分鐘的成本為1.5美分。
OpenAI此次推出的新模型，不僅展示了其在人工智能技術領域的深厚積累和創新實力，也為整個行業樹立了新的標桿。隨著這些模型的不斷優化和推廣，人工智能語音技術將在更多領域發揮重要作用，推動社會進步和產業發展。
