OpenAI 新语音模型：精细控制AI发声|GPT-4o-transcribe：支持多语言转录，准确率超越Whisper

目录

• [🎙️ 前言](#🎙️ 前言)
• • [🚀 三大核心模型](#🚀 三大核心模型)
  • • 语音转文本
    • 文本转语音
    • 开发套件
  • [💡 开发方案对比](#💡 开发方案对比)
  • • 方案一：实时直连
    • 方案二：链式调用
  • [🔧 技术突破](#🔧 技术突破)
  • [💰 价格体系](#💰 价格体系)
  • • [📝 语音转文本：](#📝 语音转文本：)
    • [🔊 文本转语音：](#🔊 文本转语音：)

🎙️ 前言

刚刚OpenAI推出了三种新的语音模型，可以精细控制AI语调、情感，更富有人性，还建立了新的网站 OpenAI.fm，让大家尝试和体验，你们说AI以后是不是更像人了。

🚀 三大核心模型

语音转文本

• GPT-4o-transcribe：支持多语言转录，准确率超越Whisper
• GPT-4o-mini-transcribe：轻量版模型，性价比提升50%

文本转语音

http://OpenAI.fm

• GPT-4o-mini-tts：让开发者可以精细控制 AI 的发声方式，包括语调、情感等，打造更富有人性的声音体验。OpenAI 为该模型建立了新的网站 http://OpenAI.fm，供开发人员尝试和体验。（老余抖音号：58931742753）

小小鱼儿小小林
.博客原文：https://yujianlin.blog.csdn.net/article/details/146418341

开发套件

• 全新Agent SDK：深度整合了 OpenAI 最新的「语音转文本」和「文本转语音」模型，支持双向流式传输，优化了语音交互的流畅性，并提供了丰富的示例代码和详尽的文档。

💡 开发方案对比

方案一：实时直连

• 语音→语音端到端处理，让 AI 直接理解音频并输出语音
• 延迟低至200ms，适合实时场景

方案二：链式调用

• 语音→文本→AI处理→语音合成返回
• 该方案具有模块化设计｜可靠性提升30%｜开发难度降低

//.小小鱼儿小小林

//.博客原文：https://yujianlin.blog.csdn.net/article/details/146418341

🔧 技术突破

• 新音频模型基于 GPT-4o 和 GPT-4o-mini 架构，在专门的以音频为中心的数据集上进行了广泛的预训练，以优化模型性能
• 增强蒸馏技术，使知识从最大的音频模型转移到更小、更高效的模型，有助于小型模型提供出色的对话质量和响应能力
• 对于语音转文本模型，集成了强化学习（RL-heavy）重度范式，优化转录准确度
• 幻觉问题减少60%，FLEURS基准提升42%。（老余抖音号：58931742753）

💰 价格体系

📝 语音转文本：

• GPT-4o-transcribe：0.6¢/分钟
• GPT-4o-mini-transcribe：0.3¢/分钟

🔊 文本转语音：

• GPT-4o-mini-tts：1¢/分钟