OpenAI 发布新一代语音模型，让 AI 智能体语音表达更自然

3月21日讯 OpenAI 昨日（3 月 20 日）发布博文，宣布推出语音转文本（speech-to-text）和文本转语音（text-to-speech）模型，提升语音处理能力，支持开发者构建更精准、可定制的语音交互系统，进一步推动人工智能语音技术的商业化应用。

在语音转文本模型上，OpenAI 主要推出了 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 两个模型，官方表示在单词错误率（WER）、语言识别和准确性上超越现有 Whisper 系列。

这两个模型支持超 100 种语言，主要通过强化学习和多样化高质量音频数据集训练，能捕捉细微语音特征，减少误识别，尤其在嘈杂环境、口音及不同语速下表现更稳定。

在文本转语音上，OpenAI 最新推出了 gpt-4o-mini-tts 模型，开发者通过“模拟耐心客服”或“生动故事叙述”等指令，控制语音风格，可以应用于客服（合成更具同理心的语音，提升用户体验）和创意内容（为有声书或游戏角色设计个性化声音）方面。

援引博文介绍，附上三款模型费用如下：

• gpt-4o-transcribe：音频输入每 100 万 tokens 费用 6 美元、文本输入每 100 万 tokens 费用 2.5 美元，输出每 100 万 tokens 费用 10 美元，每分钟成本 0.6 美分。
• gpt-4o-mini-transcribe：音频输入每 100 万 tokens 费用 3 美元、文本输入每 100 万 tokens 费用 1.25 美元，输出每 100 万 tokens 费用 5 美元，每分钟成本 0.3 美分。
• gpt-4o-mini-tts：每 100 万 tokens 输入费用为 0.60 美元，每 100 万 tokens 输出费用为 12 美元，每分钟成本 1.5 美分。