← 全部模型

GPT-4o Transcribe

發布時間 發布主體 OpenAIgpt-4o-transcribe

模型定位

GPT-4o Transcribe 是基於 GPT-4o 的語音轉文字模型,透過 OpenAI API 將音訊轉錄為文字。OpenAI 於 2025 年 3 月 20 日發布該模型。(openai.com)

能力與用途

  • 支援多語言語音辨識。官方稱,與原始 Whisper 模型相比,該模型在語言辨識和準確性方面有所改進,在多個基準測試上的詞錯誤率更低;對口音、背景噪音和語速變化等情況的處理也有所改善。(openai.com)
  • 可用於錄音轉寫、產生文字紀錄及語音應用中的轉錄環節;現有整合支援檔案轉錄串流輸出和即時轉錄。(developers.openai.com)

限制與狀態

  • 轉錄結果仍可能出錯,重要內容應人工核對。模型不支援影像或影片輸入,也不產生音訊;上下文視窗為 16,000 token,最大輸出為 2,000 token。(developers.openai.com)
  • 檔案轉錄介面的檔案上限為 25 MB;更大的錄音需要壓縮或拆分。(developers.openai.com)
  • 截至 2026 年 11 月 19 日,OpenAI 已將該模型標記為棄用,計畫於 2027 年 2 月 26 日從 API 移除;官方建議根據情境遷移至 gpt-live-transcribe 或 gpt-transcribe。(developers.openai.com)

價格

查詢日期:2026 年 11 月 19 日。OpenAI API 官方定價頁以美元(USD)列出:輸入 2.50 美元/百萬 token,輸出 10.00 美元/百萬 token;轉錄預估費用為 0.006 美元/分鐘,這是估算值,並非獨立保證的固定分鐘計費價。(developers.openai.com)

官方資料對輸入模態的標註存在差異:定價表未在該模型的輸入欄細分模態;OpenAI 的 Realtime 轉錄範例則列出音訊輸入 6.00 美元/百萬音訊 token、文字輸入 2.50 美元/百萬文字 token、文字輸出 10.00 美元/百萬文字 token。具體音訊輸入費率應以帳戶帳單及 OpenAI 最新說明核實。(developers.openai.com)

官方來源