gpt-4o-transcribe

GPT-4o-Transcribe是OpenAI在2025年3月21日发布的自动语音识别的大模型，用于替换2年前OpenAI开源的Whisper系列自动语音识别模型，它是基于GPT-4o架构构建，识别错误率相比此前模型更低，在英文的错字率（word error rate）仅有2.46%。

GPT-4o-Transcribe支持100多种语言的自动语音识别，支持噪音消除和基于语义的语音分割（也就是根据语音的语义来进行语音分割，降低识别错误率）。

GPT-4o-Transcribe在大量的高质量、多样化的语音数据集上训练，引入来强化学习和midtraining技术来处理具有挑战性的场景。

GPT-4o-Transcribe不开源，目前仅通过API提供，每100万语音输入的tokens需要6美元（大约一分钟0.006分钱）。