OpenAI: GPT-4o Transcribe

GPT-4o Transcribe es un modelo de voz a texto de OpenAI, construido sobre las capacidades de audio de GPT-4o. Se sitúa en la categoría de transcripción, por lo que su trabajo es convertir audio hablado en texto escrito en lugar de generar respuestas conversacionales. Si ya enrutas otros modelos de OpenAI a través de tu stack, este proviene del mismo proveedor y sigue el mismo patrón general de acceso.

El modelo toma audio como su única entrada y devuelve una transcripción como su salida. Tiene una longitud de contexto de 128.000 tokens y una salida máxima de 115.200 tokens, lo cual es generoso para trabajo de transcripción: grabaciones largas, sesiones con múltiples hablantes o grandes lotes de audio se pueden manejar sin dividirlos en muchas solicitudes pequeñas. Debido a que la salida es una transcripción en lugar de una finalización de chat, debes esperar texto que refleje lo que se dijo en el audio, no una respuesta al estilo de un asistente. El proveedor lo describe como un modelo de voz a texto de alta calidad, y la facturación es por token tanto en la entrada como en la salida, lo que te da transparencia a nivel de token sobre lo que consume cada solicitud.

Los casos de uso prácticos se derivan directamente de esa forma. Las grabaciones de reuniones y llamadas se pueden convertir en texto para notas, búsqueda o archivo. Las notas de voz, entrevistas y grabaciones de investigación se pueden transcribir para su análisis posterior. Los pódcasts, las clases y el audio de formato largo similar encajan en la gran ventana de contexto, por lo que puedes enviar archivos sustanciales en una sola solicitud en lugar de fragmentarlos. Los equipos que necesitan transcripciones como un paso de su pipeline, alimentando herramientas posteriores de resumen, indexación o revisión, pueden usar el modelo como la primera etapa. En cualquier lugar donde tengas audio y necesites texto fiable a partir de él, esta es la carga de trabajo prevista.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "openai/gpt-4o-transcribe". Debido a que la API es compatible con OpenAI, puedes apuntar un cliente de OpenAI existente al endpoint de api14 y enviar la entrada de audio de la manera habitual, sin necesidad de una integración a medida. La lista de parámetros soportados del modelo está vacía, por lo que no hay opciones de ajuste adicionales que configurar más allá de los campos estándar de la solicitud; mantén tus solicitudes simples y confía en los valores predeterminados del modelo. Consulta la tabla de precios en vivo en esta página para conocer las tarifas actuales, ya que la facturación es por token tanto en la entrada como en la salida.

Una cosa a tener en cuenta es el alcance. Este modelo está construido solo para transcripción, así que si necesitas un asistente que razone sobre texto, responda preguntas o produzca salida estructurada, un modelo de chat general encajará mejor. Del mismo modo, si tu audio es corto y simple, una opción de transcripción más ligera puede ser suficiente. Para grabaciones largas y flujos de trabajo donde importa la visibilidad de la facturación a nivel de token, GPT-4o Transcribe es la elección directa.