XNews

OpenAI、GPT-Transcribe音声認識モデルを公開

OpenAIは、新しい音声認識モデル「gpt-transcribe」と「gpt-live-transcribe」を公開。実際の音声データのベンチマークでは、gpt-transcribeの単語誤り率(WER)は8.98%で、従来のwhisper-1の15.21%から約41%改善。価格は1分あたり0.0045ドルと、whisper-1の0.006ドルから25%低下し、精度とコストの両方が向上した。

Key insights

GPT-Transcribeが音声認識の新たなコストパフォーマンス基準を確立

OpenAIの新しい文字起こしモデルは、whisper-1と比較して大幅な精度向上を実現し、実際の音声データでは単語誤り率をほぼ半減させた。同時にコストも25%削減。高い精度と低価格の組み合わせにより、大量の文字起こし用途でサービスがより魅力的になる。リアルタイム文字起こし版(gpt-live-transcribe)の提供は、OpenAIが会議やライブキャプションなどのリアルタイムアプリケーションをターゲットにしていることを示唆している。

Source posts