2025-12-15
OpenAI 发布 2025 年 12 月快照，WER 进一步降低
OpenAI 为 gpt-4o-transcribe 推出了 2025-12-15 更新快照，在 Common Voice 和 FLEURS 基准上的准确率有所提升。此次更新降低了 WER，特别是在零样本语言检测场景中。传统的 whisper-1 和初始的 2025-03-20 快照预计于 2026 年 6 月退役。
TheRouter 编辑重写developers.openai.com ↗
返回模型列表
GPT-4o Transcribe
openaiopenai/gpt-4o-transcribe
Speech-to-text model powered by GPT-4o.
GPT-4o Transcribe 是 OpenAI 的下一代语音转文本模型，于 2025 年 3 月 20 日发布。基于 GPT-4o 多模态架构构建，它取代了传统的 whisper-1 API，在 99 种以上语言的词错误率（WER）上实现了显著改善。该模型利用 GPT-4o 的通用语言理解能力，更准确地转录技术术语、专有名词、混合语言内容和带口音的语音——这些都是 Whisper 历史上容易出现幻觉的领域。
该模型通过现有的 /v1/audio/transcriptions 端点提供服务，采用按分钟计费（$0.006/分钟），适用于大规模转录场景。GPT-4o Transcribe 在行业标准中具备竞争力——Artificial Analysis 将其列为与 Speechmatics 和 AssemblyAI 并驾齐驱的顶级竞争者，综合准确率仅落后 ElevenLabs Scribe 一个百分点。OpenAI 发布了 2025 年 12 月快照（gpt-4o-transcribe-2025-12-15），在 Common Voice 和 FLEURS 基准测试上进一步降低了 WER。该模型是闭源的，仅通过 API 访问；与 Whisper 不同，没有开源权重版本。
适合使用
- • 大规模通用转录（会议、播客、客服电话），定价具有竞争力——$0.006/分钟，大多数语言的 WER 均优于 Whisper。
- • 需要准确转录技术/医疗/法律术语的应用——GPT-4o 的语言理解能力相比纯声学模型减少领域特定误识。
- • OpenAI 生态集成——whisper-1 用户可无缝替换，相同的端点和 SDK，更高的准确率和有竞争力的定价。
- • 覆盖 99 种以上语言的多语言转录，通过强化学习为主的训练方法，更好地处理口音、语码转换和不同语速。
不适合使用
- • 完整的说话人分离（Diarization）——GPT-4o Transcribe 不原生识别谁在什么时候说话。这方面请使用 gpt-4o-transcribe-diarize（带说话人标签的独立模型）或 AssemblyAI。
- • 需要逐字时间戳的实时流式转录——该模型以分块方式工作，不是真正的流式转录。实时字幕场景建议 Deepgram。
- • 本地/隔离环境部署——GPT-4o Transcribe 是闭源且仅通过 API 访问的。自托管转录请使用开源的 Whisper 或 NVIDIA Parakeet，数据完全自主可控。
- • Whisper 本已表现不佳的低资源语言——WER 改进集中在中高资源语言。此类场景建议使用专门的语音识别服务。
上下文长度
--
最大输出
--
音频价格按音频分钟
$0.0065每分钟音频
输入价格按音频分钟
$2.70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 | $0.0065 每分钟音频 |
| 输入 | $2.70 每百万 Tokens |
| 输出 | $10.80 每百万 Tokens |
| Audio input | $6.48 每百万 Tokens |
| Estimated | $0.0065 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（初始快照）；2025年12月15日更新openai.com ↗ | 已核实 |
| 架构 | GPT-4o 多模态基础架构，并经过面向音频的专门预训练openai.com ↗ | 已核实 |
| API 端点 | /v1/audio/transcriptions（兼容 OpenAI SDK）developers.openai.com ↗ | 已核实 |
| 支持语言数量 | OpenAI 未公开披露确切支持语言数量；OpenAI 文档说明该模型具备更好的语言识别能力，并在覆盖 100 多种语言的 FLEURS 评测中验证。openai.com ↗ | 未知 |
| 训练方法 | 大规模音频预训练 + 强化学习为主的 WER 降低方法openai.com ↗ | 已核实 |
| 最大文件大小 | 每次请求 25 MB（建议将较长音频分段，每段 < 25 分钟）tokenmix.ai ↗ | 已核实 |
| 支持音频格式 | mp3、mp4、mpeg、mpga、m4a、wav、webmdevelopers.openai.com ↗ | 已核实 |
| 许可 | 闭源/专有（仅 API 访问，无开源权重版本）techcrunch.com ↗ | 已核实 |
基准成绩
| Benchmark | Distribution | Score | Source |
|---|---|---|---|
FLEURS (multilingual WER — all languages) OpenAI 报告 GPT-4o Transcribe 在 FLEURS 所有语言评测中的 WER 均低于 Whisper v2 与 Whisper v3。FLEURS 覆盖 100 多种语言；OpenAI 在公告中未发布单一汇总分数。 | Outperforms Whisper v2/v3 across all language evaluations per OpenAI | openai.com ↗ | |
Artificial Analysis AA-WER (combined rank) 二级报道引用了 GPT-4o Transcribe 的 Artificial Analysis 排名，但 OpenAI 未公开发布该模型的官方 AA-WER 排名或综合分数。因此本页不将该二级排名视为已验证的厂商基准。 | — | 未公开披露 | — |
Common Voice & FLEURS (Dec 2025 snapshot) OpenAI 表示，2025 年 12 月转录快照在无语言提示的 Common Voice 与 FLEURS 上相比旧模型有更低 WER，并在内部噪声评测中相较 Whisper v2 幻觉减少约 90%，相较此前 GPT-4o-transcribe 模型减少约 70%。OpenAI 未公开该模型完整的 Common Voice/FLEURS 数值表。 | Lower WER than prior models; exact numeric deltas not publicly disclosed | developers.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-transcribe" -F "file=@speech.mp3"API 使用指南
完整 API 参考 →音频转录
通过 TheRouter 的兼容 OpenAI 的 /v1/audio/transcriptions 端点，使用 GPT-4o Transcribe 转录音频文件。
cURL
curl https://api.therouter.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $THEROUTER_API_KEY" \
-F "file=@recording.mp3" \
-F "model=openai/gpt-4o-transcribe" \
-F "response_format=json"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
2025-03-20
OpenAI 发布 gpt-4o-transcribe 和 gpt-4o-mini-transcribe
OpenAI 推出基于 GPT-4o 架构的新一代语音转文本模型，取代了传统的 whisper-1 端点。模型在 99+ 语言上实现显著 WER 降低，通过强化学习为主的训练减少了幻觉，改善了带口音语音、技术术语和嘈杂环境的准确率。注意：与 Whisper 不同，不开源。
TheRouter 编辑重写openai.com ↗
常见问题
gpt-4o-transcribe 与 whisper-1 有何不同？
GPT-4o Transcribe 使用 GPT-4o 多模态架构替代 Whisper 的专用编码器-解码器架构。它在 99 种以上语言上实现更低的 WER（特别是在带口音语音和技术术语上），更不容易产生幻觉，并按分钟计费（$0.006/分钟 vs Whisper 的按 token 计费）。但与 Whisper（MIT 许可，可自托管）不同，它是闭源且仅 API 访问的。通过 TheRouter 可以以有竞争力的路由价格访问。
TheRouter 编辑重写openai.com ↗
gpt-4o-transcribe 支持说话人分离吗？
不，基础版 gpt-4o-transcribe 不识别不同说话者。它返回单一转录文本，不带说话人标签。如需要说话人分离，请使用 gpt-4o-transcribe-diarize 模型（通过 TheRouter 以 openai/gpt-4o-transcribe-diarize 访问）或 AssemblyAI 等第三方服务。
TheRouter 编辑重写tokenmix.ai ↗
可以获取逐字时间戳吗？
本机不支持。response_format=verbose_json 模式仅返回段落级时间戳。如需逐字精度，建议使用 Deepgram 或 AssemblyAI，它们原生支持逐字时间戳。
TheRouter 编辑重写tokenmix.ai ↗
最大音频文件大小是多少？
每次请求 25 MB。对于较长音频，请分割为最大 25 MB（约 25 分钟）的片段。该模型没有正式的批量转录端点，因此大型媒体库需要自行构建队列。
TheRouter 编辑重写developers.openai.com ↗
gpt-4o-transcribe 对哪些语言效果最好？
该模型支持 99+ 种语言，在英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文（普通话）、日语、韩语、阿拉伯语和俄语上表现最佳。与 Whisper 相比，WER 改进最显著的是 Whisper 之前表现不佳的语言（例如泰米尔语、泰卢固语、马拉雅拉姆语等印度和达罗毗荼语言）。对于覆盖不好的语言，建议使用专门的语音识别服务或自托管 Whisper 模型。
TheRouter 编辑重写techcrunch.com ↗
gpt-4o-transcribe 可以通过 TheRouter 使用吗？
是的。使用 model=openai/gpt-4o-transcribe，设置 baseURL=https://api.therouter.ai/v1 和标准 OpenAI SDK。TheRouter 以有竞争力的价格将您的请求路由到 OpenAI 转录 API 的最佳可用端点。
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 |
| 架构 | openai.com ↗ | 2026-08-25 | 已核实 |
| API 端点 | developers.openai.com ↗ | 2026-05-28 | 已核实 |
| 支持语言数量 | openai.com ↗ | 2026-08-25 | 未知 |
| 训练方法 | openai.com ↗ | 2026-05-28 | 已核实 |
| 最大文件大小 | tokenmix.ai ↗ | 2026-05-28 | 已核实 |
| 支持音频格式 | developers.openai.com ↗ | 2026-08-25 | 已核实 |
| 许可 | techcrunch.com ↗ | 2026-05-28 | 已核实 |
| FLEURS (multilingual WER — all languages) | openai.com ↗ | 2026-08-25 | 已核实 |
| Artificial Analysis AA-WER (combined rank) | openai.com ↗ | 2026-08-25 | 未知 |
| Common Voice & FLEURS (Dec 2025 snapshot) | developers.openai.com ↗ | 2026-08-25 | 已核实 |
| OpenAI 发布 2025 年 12 月快照，WER 进一步降低 | developers.openai.com ↗ | 2026-05-28 | 已核实 |
| OpenAI 发布 gpt-4o-transcribe 和 gpt-4o-mini-transcribe | openai.com ↗ | 2026-05-28 | 已核实 |
| gpt-4o-transcribe 与 whisper-1 有何不同？ | openai.com ↗ | 2026-05-28 | 待核实 |
| gpt-4o-transcribe 支持说话人分离吗？ | tokenmix.ai ↗ | 2026-05-28 | 待核实 |
| 可以获取逐字时间戳吗？ | tokenmix.ai ↗ | 2026-05-28 | 待核实 |
| 最大音频文件大小是多少？ | developers.openai.com ↗ | 2026-05-28 | 待核实 |
| gpt-4o-transcribe 对哪些语言效果最好？ | techcrunch.com ↗ | 2026-05-28 | 待核实 |
| gpt-4o-transcribe 可以通过 TheRouter 使用吗？ | api.therouter.ai ↗ | 2026-05-28 | 待核实 |