OpenAI veröffentlicht GPT Transcribe und GPT Live Transcribe

OpenAI veröffentlicht GPT Transcribe und GPT Live Transcribe

OpenAI hat zwei neue Spracherkennungsmodelle veröffentlicht: GPT Transcribe und GPT Live Transcribe. GPT Transcribe ist für die Verarbeitung voraufgezeichneter Audiodateien optimiert und erreicht eine Geschwindigkeit, die etwa 34‑mal schneller ist als Echtzeit. Diese Leistung wird durch die zugrundeliegende GPT‑4o‑Audioarchitektur ermöglicht, die speziell auf effiziente Stapelverarbeitung und parallele Nutzung von Rechenressourcen ausgelegt ist. GPT Live Transcribe hingegen ist für Echtzeit‑Streaming mit niedriger Latenz konzipiert und liefert Transkriptionsdeltas, sobald Sprache eingeht – ideal für Live‑Mikrofon‑ oder Telefonie‑Anwendungen. Beide Modelle sind ab sofort über die API verfügbar und decken damit sowohl die nachträgliche Transkription von Aufzeichnungen als auch interaktive Szenarien ab.

Wortfehlerrate sinkt, bleibt aber hinter Konkurrenz zurück

Laut dem unabhängigen Benchmark Artificial Analysis (AA‑WER) erreicht GPT Transcribe eine Wortfehlerrate von 3,31 Prozent. Das ist eine Verbesserung um 0,7 Prozentpunkte gegenüber dem Vorgänger GPT‑4o‑mini‑transcribe. Trotz dieses Fortschritts liegt das Modell im Ranking hinter Angeboten von ElevenLabs, Google und Mistral. Die genauen Ursachen für diese Rangfolge sind nicht öffentlich dokumentiert, doch typischerweise spielen Unterschiede in den Trainingsdaten, der Modellgröße und der Architektur eine entscheidende Rolle. So setzen einige Wettbewerber auf spezialisierte, mehrsprachig trainierte Modelle oder auf zusätzliche Nachbearbeitungsschritte, die die Fehlerrate weiter senken. Schon kleine Differenzen in der Wortfehlerrate können bei der Verarbeitung großer Audiomengen erhebliche Auswirkungen auf die Verständlichkeit und Weiterverarbeitung haben.

Technische Details und Einbettung in API-Update

Für die Dateitranskription empfiehlt OpenAI das Modell „gpt‑transcribe“. Die Dateigröße ist auf 25 MB begrenzt, unterstützt werden gängige komprimierte Formate wie mp3, mp4 und mpeg. Diese Beschränkung dient der effizienten Verarbeitung in der Cloud: Kleinere Dateien lassen sich schneller übertragen und parallel verarbeiten, während die unterstützten Codecs eine optimale Balance zwischen Audioqualität und Rechenaufwand bieten. Für Echtzeitanwendungen wird „gpt‑live‑transcribe“ mit dem Sitzungstyp „transcription“ empfohlen. Die Veröffentlichung ist Teil eines größeren API‑Updates, das drei neue Sprachmodelle umfasst: GPT Realtime 2, Realtime Translate und die überarbeiteten Transkriptionsmodelle. Mit GPT Realtime 2 und Realtime Translate will OpenAI verschiedene Anwendungsfälle von Sprachassistenten bis hin zu Live‑Übersetzungen abdecken.