GPT-4o Transcribe Diarize

GPT-4o Transcribe Diarize — это модель распознавания речи от OpenAI со встроенной диаризацией говорящих, впервые анонсированная около октября 2025 года. Построенная на той же мультимодальной архитектуре GPT-4o, что и базовая gpt-4o-transcribe, модель добавляет нативную возможность определять «кто когда говорил» — возвращая метки говорящих ("A:", "B:" и т.д.) с посегментными временными метками. Это делает её прямой альтернативой выделенным пайплайнам диаризации, которые ранее требовали передачи отдельной STT-модели через кластеризационный бэкенд.

Модель использует тот же эндпоинт /v1/audio/transcriptions и имеет ту же цену, что и базовая модель транскрипции (~$0.0066/мин). Ключевое отличие — формат ответа diarized_json, возвращающий структурированные сегменты вместо плоского текста. В отличие от базовой модели, gpt-4o-transcribe-diarize не поддерживает промптинг (prompting) или Realtime API, и имеет лимит аудиочанка в 1 400 секунд. Метки говорящих назначаются автоматически как A/B/C, если не указаны явные ссылки на говорящих. По словам Пита Баккума из OpenAI, WER «примерно сопоставим» с базовой gpt-4o-transcribe — используйте базовую модель, если вам не нужна диаризация.