OpenAI: GPT Transcribe

GPT Transcribe es un modelo de voz a texto de OpenAI, listado en api14 bajo el id de modelo openai/gpt-transcribe. Se sitúa en la categoría de transcripción, por lo que su función es estrecha y específica: convertir audio en texto en lugar de generar respuestas conversacionales o gestionar chat de propósito general. Si estás construyendo un pipeline donde el contenido hablado necesita convertirse en contenido escrito, este es el tipo de modelo que el proveedor destina a ese paso.

El modelo toma audio como su modalidad de entrada y devuelve una transcripción como salida. Según la descripción del proveedor, es un modelo de voz a texto de alta precisión adecuado para audio grabado, transcripción de archivos en streaming y turnos de Realtime comprometidos. Admite contexto de forma libre, sugerencias de palabras clave y múltiples idiomas. No se publica longitud de contexto para este modelo, y la salida máxima figura como cero, así que deberías tratar los límites prácticos como algo que hay que verificar contra la documentación del propio proveedor en lugar de asumir un presupuesto de tokens a partir de esta página. Lo que la página sí deja claro es la forma de la interacción: audio de entrada, texto de salida, con contexto opcional y guía de palabras clave para orientar el reconocimiento.

Los casos de uso se derivan directamente de eso. La transcripción de audio grabado abarca grabaciones de reuniones, entrevistas, pódcasts, notas de voz y cualquier archivo de material hablado que quieras hacer buscable como texto. La transcripción de archivos en streaming encaja en flujos de trabajo donde el audio llega como un archivo y quieres que la transcripción se produzca como parte de un trabajo de procesamiento mayor. Los turnos de Realtime comprometidos apuntan a voz en vivo o casi en vivo que se transcribe como parte de una sesión interactiva. El contexto de forma libre es útil cuando puedes decirle al modelo de qué trata el audio, por ejemplo vocabulario de dominio o el tema de una llamada, y las sugerencias de palabras clave ayudan cuando sabes que es probable que aparezcan términos, nombres o jerga específicos. El soporte de múltiples idiomas significa que el mismo endpoint puede servir audio multilingüe en lugar de forzarte a usar un modelo separado por idioma.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo openai/gpt-transcribe, así que las bibliotecas cliente de OpenAI existentes y los patrones de solicitud deberían trasladarse con la URL base apuntando a api14. La lista de parámetros soportados para este modelo está vacía, lo que significa que no hay parámetros de solicitud adicionales documentados aquí más allá de lo que el endpoint acepta por defecto. En la práctica, eso significa que deberías enviar tu audio y el id de modelo, y no confiar en que opciones de ajuste como temperature o configuraciones de muestreo personalizadas aparezcan en esta página. Si necesitas un parámetro que no está listado, consulta la documentación del proveedor antes de asumir que está disponible.

Como el modelo es solo de transcripción, no es adecuado para tareas que necesitan generación de texto, razonamiento, llamada a herramientas o entrada de imágenes. Si tu carga de trabajo es chat, código o texto general, un modelo diferente del catálogo te servirá mejor. Además, no hay longitud de contexto publicada y una salida máxima de cero en esta página, así que para audio muy largo o requisitos de rendimiento inusuales deberías confirmar el comportamiento con el proveedor en lugar de inferirlo a partir de estos campos.