💡
原文中文，约2100字，阅读约需5分钟。
📝
内容提要
OpenAI推出了新的音频模型GPT-4o，提升了语音转文本和文本转语音的准确性，尤其在复杂场景中表现优异。开发者可以定制AI的说话方式，适用于客户服务等领域。新模型在多个基准测试中表现出色，错误率更低，支持多语言，并提供API以简化开发，未来将继续优化性能。
🎯
关键要点
- OpenAI推出了新的音频模型GPT-4o，提升了语音转文本和文本转语音的准确性。
- 新模型在复杂场景中表现优异，特别适合客户呼叫中心和会议记录转录等用例。
- 开发者可以通过新的API定制AI的说话方式，开启新的定制化应用。
- OpenAI提供了一个网站供用户直接测试音频大模型的能力。
- 新的gpt-4o-transcribe和gpt-4o-mini-transcribe模型在单词错误率上优于原始Whisper模型。
- 新模型能够更好地捕捉语音细微差别，减少误认，提高转录可靠性。
- OpenAI推出了gpt-4o-mini-tts模型，允许开发者指导模型的说话方式。
- 新音频API的定价保持业界平均水平，受到用户欢迎。
- 新音频模型基于GPT-4o架构，在专门的数据集上进行了预训练，优化了模型性能。
- OpenAI增强了提炼技术，使小型模型能够提供出色的对话质量和响应能力。
- 新模型集成了大量强化学习，提高了转录准确性，增强了语音应用程序的性能。
- OpenAI计划继续提升音频模型的智能性和准确性，并探索个性化体验的方法。
❓
延伸问答
OpenAI的新音频模型GPT-4o有哪些主要改进？
GPT-4o在语音转文本和文本转语音的准确性上有显著提升，尤其在复杂场景中表现优异，错误率更低。
开发者如何利用OpenAI的API定制AI的说话方式？
开发者可以通过新的API指导文本转语音模型以特定方式说话，开启定制化应用。
OpenAI的新音频模型适合哪些应用场景？
新模型特别适合客户呼叫中心、会议记录转录等复杂场景的应用。
OpenAI的音频API定价如何？
新音频API的定价保持业界平均水平，例如gpt-4o-mini-tts的百万token文本输入价格为0.60美元。
GPT-4o模型在语音识别方面的表现如何？
GPT-4o在多个基准测试中表现出色，单词错误率低于原始Whisper模型，转录准确性高。
OpenAI未来对音频模型有什么计划？
OpenAI计划继续提升音频模型的智能性和准确性，并探索个性化体验的方法。
➡️
