OpenAI音频模型三连发：方言识别+真人语调，语音助手要升级了？

Meise

让Siri和小爱同学捏把汗的技术来了！今天凌晨，OpenAI官宣三款音频处理模型，这次连东北话和广东话都能听得明明白白。

3月21日，OpenAI正式发布gpt-4o-transcribe、gpt-4o-mini-transcribe两款语音转文字模型，以及gpt-4o-mini-tts文字转语音工具。相比之前的Whisper系列，新模型在嘈杂环境下的识别准确率提升明显，现在就算用户带口音、说话忽快忽慢，AI也能稳定输出文字记录。

技术团队透露，新模型通过海量真实录音训练，特别强化了方言识别能力。在餐厅点餐、会议记录这些容易出错的场景，错误率比前代产品降低约40%。配套的语音生成工具虽然暂时只能用预设音色，但开发者可以调整语速和停顿，让合成的语音更接近真人节奏。

价格方面，语音转文字按分钟计费：标准版每分钟0.6美分，轻量版每分钟0.3美分。语音生成服务每分钟1.5美分，生成1000字内容大概花费1.2美元。所有功能已接入开发者API，配合实时语音接口，最快0.3秒就能完成语音对话。

OpenAI工程师表示，正在研发自定义音色功能，未来开发者上传5分钟录音样本，就能生成特定人声的语音助手。不过考虑到安全风险，这项功能暂时不会向公众开放。需要定制语音机器人的企业，现在可以通过官方渠道申请测试权限。