2025-03-20
OpenAI 发布下一代音频模型，包括 GPT-4o Mini Transcribe
OpenAI 发布了 gpt-4o-transcribe、gpt-4o-mini-transcribe 和 gpt-4o-mini-tts — 一个新的语音转文本和文本转语音模型家族。转录模型采用重强化学习训练，在 FLEURS 多语言基准测试中全面超越 Whisper v2/v3。
TheRouter 编辑重写openai.com ↗
返回模型列表
GPT-4o Mini Transcribe
openaiopenai/gpt-4o-mini-transcribe
Speech-to-text model powered by GPT-4o mini.
GPT-4o Mini Transcribe 是 OpenAI 基于 GPT-4o Mini 架构推出的高性价比语音转文本模型。与最初的 Whisper 模型相比，它在词错误率（WER）、语言识别精度和整体准确率上都有显著提升。该模型专为开发者在较低价格点上获得可靠转录能力而设计——相比全尺寸的 GPT-4o Transcribe，它仍然受益于强化学习增强的准确度。
OpenAI 在训练中采用了强化学习范式，将转录准确度推至业界领先水平，同时减少了幻觉。该模型支持 99 种以上语言，对口音、嘈杂环境和语速变化的处理能力优于之前的 Whisper 模型。在 FLEURS 多语言基准测试中，GPT-4o Transcribe（全尺寸版）在主要语言上均实现了个位数 WER；GPT-4o Mini Transcribe 紧随其后，作为成本优化的替代方案。
适合使用
- • 呼叫中心转录与分析 — 在口音和嘈杂音频中保持高准确度，成本有竞争力。
- • 会议纪要自动化 — 将录制或实时会议音频转录为可搜索文本。
- • 内容字幕生成 — 为视频内容生成 99 种以上语言的字幕。
- • 语音 Agent 管线 — 在语音应用中转录用户语音，供下游大语言模型处理。
不适合使用
- • 实时语音到语音场景 — 建议使用 OpenAI 的 Realtime API 模型（gpt-realtime-*）以获得最小端到端延迟。
- • 预算灵活且需要最高准确率的场景 — GPT-4o Transcribe（全尺寸）或 ElevenLabs Scribe 在独立基准测试中可能更优。
- • 说话人分离 — 如需识别说话人，请使用 openai/gpt-4o-transcribe-diarize。
上下文长度
--
最大输出
--
音频价格按音频分钟
$0.0032每分钟音频
输入价格按音频分钟
$1.35每百万 Tokens
模态能力
音频→文本
能力
语音识别
价格明细
| 类型 | 费率 |
|---|---|
| 音频 | $0.0032 每分钟音频 |
| 输入 | $1.35 每百万 Tokens |
| 输出 | $5.40 每百万 Tokens |
| Audio input | $3.24 每百万 Tokens |
| Estimated | $0.0032 每分钟 |
request is estimated price per minute
支持参数
filelanguagepromptresponse_formattemperature
模型规格
| 发布日期 | 2025 年 3 月 20 日openai.com ↗ | 已核实 |
| 支持语言 | 99 种以上语言，通过 ISO-639-1 语言代码指定openai.com ↗ | 已核实 |
| 架构 | GPT-4o Mini，经过强化学习增强语音预训练openai.com ↗ | 已核实 |
| 输入音频格式 | mp3, mp4, mpeg, mpga, m4a, wav, webm, flac, ogg, ogaplatform.openai.com ↗ | 已核实 |
| 最大文件大小 | 25 MBplatform.openai.com ↗ | 已核实 |
| 训练数据截止 | 未公开披露 | 未知 |
基准成绩
| Benchmark | Distribution | Score | Source |
|---|---|---|---|
FLEURS English WER OpenAI 博客中报告 gpt-4o-transcribe（全尺寸版）在 FLEURS 英语子集上 WER 为 2.46%。Mini 变体的 WER 预计会更高，但确切数值尚未独立发布。 | ~2.46% (gpt-4o-transcribe reference)% | openai.com ↗ | |
FLEURS Multilingual OpenAI 报告在 FLEURS 主要语言上均达到个位数 WER。gpt-4o-transcribe 系列在所有语言评估中均匹配或优于 Whisper v2/v3。 | Single-digit WER across major languages | openai.com ↗ |
API 使用示例
所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。
cURL
curl https://api.therouter.ai/v1/audio/transcriptions -H "Authorization: Bearer $THE_ROUTER_API_KEY" -F "model=openai/gpt-4o-mini-transcribe" -F "file=@speech.mp3"API 使用指南
语音转文字
通过 TheRouter 的标准 OpenAI /v1/audio/transcriptions 端点转录音频文件。支持多种音频格式和可选语言提示以提高准确度。
cURL
curl https://api.therouter.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $THEROUTER_API_KEY" \
-F "file=@recording.mp3" \
-F "model=openai/gpt-4o-mini-transcribe" \
-F "response_format=json" \
-F "language=en"openai 其他模型
同类模型
跨供应商的相似能力档位动态与变更
常见问题
GPT-4o Mini Transcribe 和 Whisper-1 有什么区别？
GPT-4o Mini Transcribe 使用 GPT-4o Mini 作为骨干网，并经过强化学习增强预训练，在所有评估语言中实现了显著更低的词错误率。对口音、嘈杂环境和语速变化的处理能力优于 Whisper。Whisper-1 仍然可用于遗留集成，但新项目推荐使用新一代模型。
GPT-4o Mini Transcribe 可以用于实时/流式转录吗？
不可以 — 该模型仅支持标准的 /v1/audio/transcriptions 端点，处理上传的音频文件。实时流式转录请使用 OpenAI 的 Realtime API 模型（gpt-realtime-*），支持基于 WebSocket 的音频流，延迟更低。
TheRouter 编辑重写
转录输出的格式是什么？
支持的响应格式包括：json（默认）、text、srt（SubRip 字幕格式）、verbose_json（含时间戳和分段）以及 vtt（WebVTT）。json 和 verbose_json 格式提供结构化输出，可用于下游管线。
事实档案 — 本页每条断言可在此回溯来源
| 来源 | URL | 采集于 | |
|---|---|---|---|
| 发布日期 | openai.com ↗ | 2026-05-28 | 已核实 |
| 支持语言 | openai.com ↗ | 2026-05-28 | 已核实 |
| 架构 | openai.com ↗ | 2026-05-28 | 已核实 |
| 输入音频格式 | platform.openai.com ↗ | 2026-05-28 | 已核实 |
| 最大文件大小 | platform.openai.com ↗ | 2026-05-28 | 已核实 |
| 训练数据截止 | — | — | 未知 |
| FLEURS English WER | openai.com ↗ | 2026-05-28 | 待核实 |
| FLEURS Multilingual | openai.com ↗ | 2026-05-28 | 待核实 |
| OpenAI 发布下一代音频模型，包括 GPT-4o Mini Transcribe | openai.com ↗ | 2026-05-28 | 已核实 |
| GPT-4o Mini Transcribe 和 Whisper-1 有什么区别？ | openai.com ↗ | 2026-05-28 | 待核实 |
| 转录输出的格式是什么？ | platform.openai.com ↗ | 2026-05-28 | 待核实 |