OpenAI ra mắt bộ đôi mô hình chuyển đổi giọng nói mới: Hiệu suất vượt trội, giá rẻ hơn Whisper

Cảm ơn bạn đọc Hoa Nam Ngô Ngạn Tổ của IT đã gửi thông tin đóng góp!

Theo tin từ IT ngày 29 tháng 7, OpenAI hôm nay (29/7) đã đăng thông báo trên nền tảng X, công bố ra mắt hai mô hình chuyển đổi giọng nói thành văn bản (transcription) là GPT-Live-Transcribe và GPT-Transcribe, đồng thời hỗ trợ truy cập thông qua API.

Về chi phí sử dụng

Phí chuyển đổi của GPT-Live-Transcribe là 0,017 USD mỗi phút (IT lưu ý: theo tỷ giá hối đoái hiện tại tương đương khoảng 0,12 Nhân dân tệ).

Phí chuyển đổi của GPT-Transcribe là 0,0045 USD mỗi phút (theo tỷ giá hối đoái hiện tại tương đương khoảng 0,03 Nhân dân tệ).

OpenAI cho biết so với các mô hình trước đây của công ty, hai mô hình chuyển đổi này có thể hiểu ngữ cảnh tốt hơn và cung cấp bản ghi chính xác hơn trên các tệp âm thanh thực tế với nhiều loại giọng địa phương và ngôn ngữ khác nhau, bao gồm cả các cụm từ, con số, thuật ngữ chuyên môn và giọng nói trong môi trường có nhiều tiếng ồn nền.

GPT-Live-Transcribe được xây dựng chuyên biệt cho việc chuyển đổi thời gian thực với độ trễ thấp; trong khi GPT-Transcribe được tối ưu hóa cho việc chuyển đổi không đồng bộ đối với các tệp âm thanh đã hoàn tất và khối lượng công việc theo lô.

Trong bài kiểm tra chuẩn Context Aware ASR, độ chính xác về ngữ nghĩa của GPT-Transcribe đã tăng từ 41,6% (không có ngữ cảnh tự do) lên 45,2% (có ngữ cảnh).

Trên 22 ngôn ngữ của Common Voice, tỷ lệ lỗi chuyển đổi của GPT-Transcribe là 19,27%, trong khi Whisper (whisper-1) là 40,37%. Trên chín ngôn ngữ của bài kiểm tra chuẩn ghi âm thực tế, mô hình này đạt tỷ lệ lỗi chuyển đổi là 8,98%, so với 15,21% của Whisper (whisper-1).

Tuyên bố quảng cáo: Các liên kết chuyển hướng bên ngoài trong bài viết (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) được sử dụng để truyền tải thêm thông tin, tiết kiệm thời gian sàng lọc, kết quả chỉ mang tính chất tham khảo, tất cả các bài viết của IT đều bao gồm tuyên bố này.