OpenAI 推出两个新的转录模型：真的有必要迁移吗？

七月底，OpenAI 给开发者发了一封邮件，宣布推出两个新的转录模型，也就是两个把语音转换成文字的引擎。gpt-transcribe处理已经录好的文件。gpt-live-transcribe负责实时转录。配合公告发布的演示着实够大胆：在介绍视频里，一个人一边弹吉他一边唱歌，文字却正确地显示在屏幕上。他自己的吉他在他耳边大吼，机器居然还是跟上了。

如果你已经在项目里使用whisper-1，真正的问题就不是演示是否令人印象深刻。你想知道的是自己是否应该迁移。我看了性能、价格，尤其是迁移过程中会消失的功能。奇怪的是，邮件对这一部分说得少得多。

两个模型，因为有两种工作

人们经常把文件转录和实时对话转录混为一谈。不过，它们并不是同一种用途。

gpt-transcribe处理的是已经结束的文件。你把一段录音发给它，它把文字返回给你。这种模式适合播客、会议记录、语音备忘录或需要加字幕的视频。它处理音频的速度大约是实际速度的34倍。一小时的录音因此不到两分钟就能转录完。

gpt-live-transcribe的工作方式不同。它会保持连接打开，随着说话者开口逐块返回文字。这就是为实时字幕或语音助手准备的模型。你还可以通过五档设置在速度和准确度之间进行选择，从minimal到xhigh。你等得越久，模型掌握的上下文就越多，出错也就越少。

这是两个端点，也就是 API 中两个不同的访问点。第二个的价格是第一个的四倍。所以，不，我们不会为了以防万一就选择实时模式。

数字，以及它们没有告诉你的东西

OpenAI 在自己的测试基准上公布结果，这个基准名为 Real World Audio Benchmark。使用的指标是词错误率。换句话说，就是机器错误写出的词所占的百分比。

文件模式的错误几乎少了一半。至于实时模式，它主要赢得了一个可以说自己进步了的资格。

在另一个基于 Common Voice 的22种语言语音的测试基准上，差距更加明显。旧版 Whisper 会把40.37%的词弄错。新版降到了19.27%。所以，在完全相同的音频上，它犯的错误还不到原来的一半。

现在来点冷水。只会重复卖家数字的文章毫无用处。在 The Decoder 转述的一项独立排名中，gpt-transcribe 排名第四。它的错误率达到 3.31%，而 ElevenLabs 的 Scribe v2 为 2.3%，Gemini 3 Pro 为 2.9%，Mistral 的 Voxtral Small 为 3.0%。OpenAI 有进步。OpenAI 没有赢。

最后一个注意事项，也是最有用的一个：这些百分比是在干净音频上得到的平均值。遇到真正困难的企业录音，比如多人电话会议，错误率最高可能达到 43.8%。没有哪个模型能救回糟糕的麦克风。一个 60 欧元的好麦克风，总是比更换模型更能改善你的转录效果。

价格，这是个好消息

这一次，更新的东西也更便宜。好好利用吧，这种事可不是每天都有。

用 whisper-1 转录一小时音频需要 36 美分，而新模型只需 27 美分。这便宜了 25%，效果却明显更好，在这个行业里依然相当少见。实时模式每小时要 1.02 美元，几乎是文件模式价格的四倍。这个价格下，一场两小时的实时字幕会议，价格相当于一杯咖啡。

你真正得到的东西：终于可以给模型做简报了

价格下降当然不错，但主要变化在别处。现在，在模型听录音之前，你可以先给它提供上下文。

模型从来没听过你的产品名称。现在，你可以提前告诉它，而不是事后全部修改。

三个参数可以用来引导它。prompt 用一句自由描述来说明情境。keywords 包含机器无法自行猜出的词：专有名称、产品编号、缩略词或行业术语。languages 指明预期使用的语言。这样可以避免一句英语插入法语会议中间后，场面彻底失控。

from openai import OpenAI
client = OpenAI()

with open("reunion.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio,
        response_format="json",
        prompt="Reunion technique sur un logiciel de facturation.",
        extra_body={
            "keywords": ["Digital3D", "AC-42", "PostgreSQL"],
            "languages": ["fr", "en"],
        },
    )
print(result.text)

如果你已经花了好几个晚上去纠正同一个专有名词，而它每次出现都会被 Whisper 糟蹋一遍，你就明白为什么这一段是整篇文章最重要的部分了。还有两个细节需要知道。每个关键词都必须占据单独一行，并且不能包含字符 < 和 >。也不能同时发送旧的单数参数 language 和新的复数参数 languages。

离开 whisper-1 后你会失去什么

这就是 OpenAI 的邮件小心翼翼地忘记提到的部分了。可偏偏这一点可能决定你要不要迁移。

• 逐词时间戳会消失。如果你的项目会高亮正在朗读的词，或者点击某个词时重新定位音频，这个功能就不再起作用了。
• 字幕格式 SRT 和 VTT 也会消失。新模型返回的是文本，不是可以直接加载到视频播放器里的字幕文件。
• 翻译成英语不再以同样的方式提供。旧的翻译 endpoint 不兼容。接下来必须使用真正的翻译模型。
• 说话人识别可以告诉你谁在说话，以及是在什么时候说的。它仍然存在，但要使用第三个模型：gpt-4o-transcribe-diarize。

换句话说，whisper-1 并没有变得毫无用处。它变得更专门了。在 OpenAI 这里，它仍然是唯一提供所有这些功能的模型。

我们顺便来终结一个传言：不，whisper-1 并没有被判死刑。我查过官方弃用页面，因为到处都有人说相反的话。2026 年 7 月 20 日的公告计划在 2027 年 1 月 20 日弃用几个音频模型，但从来没有提到 whisper-1。所以没必要急着逃跑。迁移可能是件有意思的事，但这和被迫逃跑完全不是一回事。

下载下来的免费 Whisper，它到底怎么样？

有人问过我这个问题，而它值得拥有自己的章节。很多人不知道这个版本的存在。没错，Whisper 可以免费使用。从 2022 年 9 月开始，OpenAI 以自由许可证发布模型代码和权重，也就是让它能够运行的学习数据。你把整套东西下载下来，在自己的机器上运行，不用付给任何人一分钱。不用订阅，不按分钟收费，也不用创建账号。

唯一真正重要的论据。左边，你的音频出去了。右边，它留在你这里。

它和 whisper-1 的区别，而且这个区别会让你大吃一惊

这里是反直觉的部分。whisper-1，API 提供的付费模型，内部使用的是 large-v2 版本。最新的免费版本是 large-v3。据 OpenAI 称，它比 large-v2 少出错 10% 至 20%。

对，你没看错。你下载的免费版本更新，也比那个每小时收费 36 美分的版本更准确。人们经常读到相反的说法。这是错的。

本地模型还会逐词生成时间戳、创建字幕，以及把内容翻译成英语。这正是你在 gpt-transcribe 中失去的三个功能。它不限制文件大小，而 API 会拒绝超过 25 MB 的文件。

这对你的机器有什么要求

代价在硬件上。这个大模型包含 15.5 亿个参数，也就是训练期间学到的数值。它在硬盘上占用大约 3 GB，并且需要大约 10 GB 的显存，也就是显卡的内存，才能舒适地运行。说白了，你需要一块真正的显卡。厨房里的笔记本电脑可能会咳嗽。

不过，也有一个为性能较弱的机器设计的版本。它于 2024 年 10 月发布，名为 large-v3-turbo。它使用 4 个解码器层，也就是负责生成文本的部分，而不是 32 个。结果，它的速度大约快 8 倍，并且只需要 6 GB 显存，而不是 10 GB。它的错误率只增加 0.3 至 0.7 个百分点。这是我在这个领域见过的最佳折中方案之一。唯一的让步是，它不再会翻译。

说到实际速度，有两款软件在争夺这块地盘。whisper.cpp 用 C 编写，并利用 Mac 的图形处理器。在较新的 Apple 机器上，它处理音频的速度大约是实际时长的 10 倍。所以一小时的录音需要六分钟。faster-whisper 则更面向 NVIDIA 显卡和处理器，在经济模式下的速度大约是实时速度的 3 倍。在 Mac 上，whisper.cpp 完胜。

那到底为什么要付费

算一算就能打破一个小幻觉。按每小时音频 27 美分计算，要花掉相当于 300 美元的金额，需要转写超过 1,100 小时。1,100 小时，就是一个半月多的音频，而且中间完全不停。买一块像样的显卡更贵。而且它不会自己处理更新、驱动和故障。真是缺乏主动性。

所以，除了工业级用量，本地处理并不能靠价格来证明合理性。它真正的理由在别处，而且硬得多。

• 你的文件不会离开你的机器。对于医疗数据、法律文件、机密访谈，或者仅仅是你家人的语音消息，这个理由通常就足以结束争论。
• 模型不需要互联网，在火车上、飞机上或工地上都能运行。
• 你没有大小限制，没有配额，也不会因为供应商决定清理一番，就有某个模型突然被砍掉。
• 不会按使用量向你收取任何费用。每小时 0 欧元仍然是每小时 0 欧元，即使你的服务运行得比预期更好。

还有一个限制，而且很简单：本文介绍的两个新模型无法下载。gpt-transcribe 和 gpt-live-transcribe 仍然归 OpenAI 所有。关键词、8.98% 的错误率以及吉他演示，不会出现在你的硬盘上。免费版本给你的是上一代 Whisper，但版本更新，也比付费 Whisper 更准确。而且不用付费。这已经相当不错了。

那么，要不要迁移

对于文件模式，调用地址不变。你仍然使用 POST /v1/audio/transcriptions。修改模型名称，就搞定了。OpenAI 提供转写指南和迁移配方，直奔主题。下面是简短回答，按照需要提出的问题顺序排列：

• 你转录文件，只想拿到文本：别犹豫，迁移吧。更便宜，更准确，而且调用方式不变。
• 你需要时间戳、字幕或翻译：继续用旧模型。没有直接的替代方案。你会失去一个功能，换来另一个功能。
• 你想要实时转录：这是一项工程，不是简单迁移。你需要另一个 endpoint、一个永久连接、24,000 Hz 的 PCM 音频，以及高出四倍的预算。只有在实时转录确实是产品核心时才这么做。
• 你的录音属于机密，或者你想让账单保持为零：看看上面的本地免费 Whisper。你会失去关键词功能，但能换来一点，那就是任何东西都不会离开你的设备。
• 你的音频质量很差，而且充满术语：先测试，再做选择。新模型恰恰可能在这种情况下拉开最大差距，这要归功于关键词。

不管怎样，都要在代码里留一条退路。模型名称应该放在配置文件里，而不是夹在调用中间。眼下，模型变化的速度比使用它们的项目还快。

那语音合成又是怎么回事

如果你的应用也使用 gpt-4o-mini-tts，这个把文本转换成语音的模型，那么这一方面没有变化。没有宣布任何新消息。价格仍然在每生成一分钟约 0.015 美元。

不过，有一个阴险的坑值得花三十秒检查一下。如果你选择的是模型的某个带日期版本，而不是它的通用名称，那么 gpt-4o-mini-tts-2025-03-20 版本已于 2026 年 7 月 23 日下线。它被 gpt-4o-mini-tts-2025-12-15 替代了。仔细看看你的配置里到底写了什么。因为这个原因导致调用在周日晚上于生产环境失败，这种夜晚可是让人一辈子忘不了。

具体来说，这对你有什么改变

你不写代码，前面那些内容让你觉得完全看不懂？下面就是这些变化可能给你的生活带来的影响，而且你不需要配置任何东西。

一段需要费力辨认的文字，和一段可以直接阅读的文字之间的区别。就这样，但区别大得惊人。

1. 语音消息变得读得懂了

你知道那条两分钟的语音消息吧，你在火车上，没法听。你的手机已经会把它转录下来，但做得很差。人名被弄得面目全非，数字是凭空编出来的，最后你还是不得不把消息听一遍。从 15% 的错误词语降到 9%，不是一项抽象的统计数据。这是一段需要费力辨认的文字，和一段你可以直接阅读的文字之间的区别。

2. 给那些没人咬字清楚的视频加字幕

自动字幕在演播室里说话清楚的主持人身上表现很好。遇到一个表亲在吵闹的厨房里解释某件事的视频，带着口音，说话还经常没说完，它们就崩了。新模型正是针对这类音频。吉他演示就是用来展示这一点的。对听力不好的人来说，这不是舒适度问题。这是能否获得信息的问题。

3. 去看医生

很多医生会在看诊后口述诊疗报告。药名转录错误，可能带来实实在在的后果。这不只是一个小错字。在转录之前把药名和行业词汇提供给模型，正好可以减少这个问题。这不是这次发布中最引人注目的部分。它可能是最有用的部分。

说实话：这一切都不会在明天早上出现。这些是应用可以在未来几个月里集成的组件，它们未必会大张旗鼓地告诉你。你也许看不到任何公告。你只会在某一天注意到，转录语音消息已经没那么让你恼火了。

我的看法

真正的新意不在错误率，而在关键词。多年来，转录一直像个黑箱：你发送声音，收到文字。如果你公司的名字出来时被拼得面目全非，你能做的也只有启动一次查找替换。能够告诉模型它将听到什么，只需一行代码，就解决了转录中最让人抓狂的问题之一。

至于其他方面，我们还是保持清醒吧。OpenAI 在准确性排名中位列第四，Mistral 依然更便宜，而 OpenAI 主要只是刚刚追上了落后的进度。吉他演示很成功，但这是卖家挑选并拍摄的。真正重要的唯一指标是你自己的指标。拿出你最糟糕的一段录音，带上口音、噪音和那些不可能识别的专有名词，花十分钟把它交给两个模型处理。这花费不到一美分，却能让你学到比全世界所有基准测试都更多的东西。