OpenAI 昨日（3 月 20 日）發布博文，宣布推出語音轉文本（speech-to-text）和文本轉語音（text-to-speech）模型，提升語音處理能力，支持開發者構建更精準、可定制的語音交互系統，進一步推動人工智能語音技術的商業化應用。

在語音轉文本模型上，OpenAI 主要推出了 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 兩個模型，官方表示在單詞錯誤率（WER）、語言識別和準確性上超越現有 Whisper 系列。

這兩個模型支持超 100 種語言，主要通過強化學習和多樣化高質量音頻數據集訓練，能捕捉細微語音特征，減少誤識別，尤其在嘈雜環境、口音及不同語速下表現更穩定。

在文本轉語音上，OpenAI 最新推出了 gpt-4o-mini-tts 模型，開發者通過“模擬耐心客服”或“生動故事敘述”等指令，控制語音風格，可以應用于客服（合成更具同理心的語音，提升用戶體驗）和創意內容（為有聲書或游戲角色設計個性化聲音）方面。

IT之家援引博文介紹，附上三款模型費用如下：

gpt-4o-transcribe：音頻輸入每 100 萬 tokens 費用 6 美元、文本輸入每 100 萬 tokens 費用 2.5 美元，輸出每 100 萬 tokens 費用 10 美元，每分鐘成本 0.6 美分。

gpt-4o-mini-transcribe：音頻輸入每 100 萬 tokens 費用 3 美元、文本輸入每 100 萬 tokens 費用 1.25 美元，輸出每 100 萬 tokens 費用 5 美元，每分鐘成本 0.3 美分。

gpt-4o-mini-tts：每 100 萬 tokens 輸入費用為 0.60 美元，每 100 萬 tokens 輸出費用為 12 美元，每分鐘成本 1.5 美分。