OpenAI 最新发布的三款语音模型——gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-mini-tts,标志着语音识别和文本到语音技术的重要进步。以下是这些新模型的主要特点和优势:
1. 口音适应、嘈杂环境处理和不同语速识别:
- 新的语音转文本(STT)模型在这些方面优于现有解决方案,使其在呼叫中心、会议记录等领域具备更高可靠性。
2. API上线:
- 这三款全新语音模型已经上线API,开发者可以基于此打造更强大、更具个性化的语音agent。
3. 文本到语音(TTS)模型的语音风格设定:
- 开发者可以为TTS模型设定语音风格,例如“富有同理心的客户服务代表”风格,提供更具温度和表现力的语音体验。
4. 技术创新:
- 使用真实音频数据集进行预训练、增强的蒸馏方法以及强化学习构建了全新的语音模型。
5. 性能提升:
- 相较于原有的Whisper模型,新语音模型在词错误率(WER)、语言识别能力和准确性方面均有显著提升。
6. 多语言支持:
- gpt-4o-transcribe 和 gpt-4o-mini-transcribe 在FLEURS测试中覆盖100多种语言,表现优于Whisper v2和Whisper v3,展现了更广泛的语言适应能力和更精确的转录效果。
7. 增强的语音可控性:
- gpt-4o-mini-tts具有增强的语音可控性,开发人员可以“指导”模型怎么说,为各种用例提供更多定制体验。
8. 官方使用建议:
- OpenAI将发布与Agents SDK的集成,简化开发流程;对于希望构建低延迟语音到语音体验的开发人员,可以使用实时API中的语音到语音模型进行构建。
总的来说,OpenAI的这三款新语音模型在性能、多语言支持和个性化方面都取得了显著进步。它们将为开发者提供更多可能性,帮助构建更智能、更自然、更具个性化的语音交互体验。未来,OpenAI还计划进一步提高音频模型的智能性和准确性,并探索其他模态(包括视频)的agent开发。这些创新将推动语音识别和文本到语音技术的发展,为AI领域带来更多突破。