OpenAI发布全新语音模型API，语音识别和合成能力大升级！

OpenAI 今天又发布了一批新功能，这次是三个音频模型API，个人觉得挺实用。

新音频模型一览

这次发布的API主要分为两类：

1. 1. 语音识别模型（Speech-to-text）：

• • gpt-4o-transcribe（精准版）
• • gpt-4o-mini-transcribe（轻量版）

• 2. 文字转语音模型（Text-to-speech）：
• • gpt-4o-mini-tts（支持自定义声音风格）

这些新模型相较之前的Whisper模型，准确率有明显提升，尤其是在有噪音、口音明显或语速变化快的环境下。

下面这张图清晰地展示了最新语音识别模型与过去Whisper模型之间的对比：

从图中可以看到，新的gpt-4o-transcribe模型在多个语言的词错率（WER）方面表现都更加优秀（词错率越低越好）。

价格一览（每百万tokens）

官方也给出了新模型的定价明细，具体如下：

从定价来看，mini版本明显更便宜，更适合日常小规模使用，而gpt-4o-transcribe则适合需要更高精准度的专业场景，比如客服中心、会议记录等。

有哪些新亮点？

1. 语音转文字更精准

新版gpt-4o-transcribe针对之前Whisper模型存在的“听错”、“漏听”等问题进行了优化，尤其擅长处理：

• • 带口音的英语或其他语言
• • 背景噪音较大的场景（如咖啡厅、户外）
• • 讲话速度较快的内容

对那些日常使用语音识别经常感到“痛苦”的朋友来说，这个更新意义巨大，毕竟识别准确度直接影响使用体验。

2. TTS模型支持“声音风格指令”

传统的TTS（文字转语音）模型虽然可以合成自然的声音，但往往声音风格比较固定。而gpt-4o-mini-tts首次支持用户通过简单的指令来控制声音表现，比如：

• • “像一个有同理心的客服人员说话”
• • “用兴奋的语气讲述故事”
• • “模仿播音员的语调朗读新闻”

这对开发创意内容、音频书籍、游戏配音，甚至是客户服务机器人，都是极大的提升。

3. 开发者的福音：Agents SDK支持音频

OpenAI还特意提到了，现在他们的Agents SDK已经可以直接支持音频了，也就是说，以后开发者可以更轻松地搭建一个能“听”和“说”的智能语音助手。

比如，你只需要简单调用API，就能实现智能客服、智能导游、甚至能聊天的虚拟伙伴。

亲测体验（附官方在线Demo）

如果你感兴趣，OpenAI专门做了一个小网站，可以直接在线体验TTS效果（无需写代码）：

OpenAI.fm

我自己简单试了一下，声音的表现力和自然程度确实有明显提升，非常值得一试。

另外官方还举办了一个创意音频分享比赛，获奖者还能拿到一个Teenage Engineering OB-4收音机，有兴趣的朋友不妨试试看~