← 全部模型

GPT-4o Transcribe

发布时间 发布主体 OpenAIgpt-4o-transcribe

模型定位

GPT-4o Transcribe 是基于 GPT-4o 的语音转文本模型,通过 OpenAI API 将音频转录为文本。OpenAI 于 2025 年 3 月 20 日发布该模型。(openai.com)

能力与用途

  • 支持多语言语音识别。官方称,与原始 Whisper 模型相比,该模型在语言识别和准确性方面有所改进,在多个基准测试上的词错误率更低;对口音、背景噪声和语速变化等情况的处理也有所改善。(openai.com)
  • 可用于录音转写、生成文本记录及语音应用中的转录环节;已有集成支持文件转录流式输出和实时转录。(developers.openai.com)

限制与状态

  • 转录结果仍可能出错,重要内容应人工核对。模型不支持图像或视频输入,也不生成音频;上下文窗口为 16,000 token,最大输出为 2,000 token。(developers.openai.com)
  • 文件转录接口的文件上限为 25 MB;更大的录音需要压缩或拆分。(developers.openai.com)
  • 截至 2026 年 11 月 19 日,OpenAI 已将该模型标记为弃用,计划于 2027 年 2 月 26 日从 API 移除;官方建议根据场景迁移至 gpt-live-transcribe 或 gpt-transcribe。(developers.openai.com)

价格

查询日期:2026 年 11 月 19 日。OpenAI API 官方定价页以美元(USD)列出:输入 2.50 美元/百万 token,输出 10.00 美元/百万 token;转录预估费用为 0.006 美元/分钟,这是估算值,并非独立保证的固定分钟计费价。(developers.openai.com)

官方资料对输入模态的标注存在差异:定价表未在该模型的输入列细分模态;OpenAI 的 Realtime 转录示例则列出音频输入 6.00 美元/百万音频 token、文本输入 2.50 美元/百万文本 token、文本输出 10.00 美元/百万文本 token。具体音频输入费率应以账户账单及 OpenAI 最新说明核实。(developers.openai.com)

官方来源