OpenAI 发布新一代语音模型，让 AI 智能体语音表达更自然

GoodNav 3 月 21 日消息，OpenAI 于昨日（3 月 20 日）发表博文，宣布推出新的语音转文本（speech-to-text）和文本转语音（text-to-speech）模型，以增强其语音处理能力，帮助开发者创造更加精准和可定制的语音交互系统，进而促进人工智能语音技术的商业化应用。

在语音转文本模型方面，OpenAI 推出 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 两个新模型，官方表示这两个模型在单词错误率（WER）、语言识别及准确性方面超越了现有的 Whisper 系列。

这两个模型支持超过 100 种语言，主要通过强化学习与多样化的高质量音频数据集进行训练，能够捕捉细微的语音特征，降低误识别率，尤其在噪声环境、不同口音及语速下表现更加稳定。

在文本转语音方面，OpenAI 最新发布的 gpt-4o-mini-tts 模型，开发者可以通过“模拟耐心客服”或“生动故事叙述”等指令控制语音风格，此技术可应用于客服（合成更具同理心的语音，提升用户体验）以及创意内容（为有声书或游戏角色设计个性化声音）等领域。

根据博文的介绍，以下是三款模型的费用：

• gpt-4o-transcribe：音频输入每 100 万 tokens 费用为 6 美元，文本输入每 100 万 tokens 费用为 2.5 美元，输出每 100 万 tokens 费用为 10 美元，每分钟成本为 0.6 美分。

• gpt-4o-mini-transcribe：音频输入每 100 万 tokens 费用为 3 美元，文本输入每 100 万 tokens 费用为 1.25 美元，输出每 100 万 tokens 费用为 5 美元，每分钟成本为 0.3 美分。

• gpt-4o-mini-tts：每 100 万 tokens 输入费用为 0.60 美元，每 100 万 tokens 输出费用为 12 美元，每分钟成本为 1.5 美分。