OpenAI: GPT Transcribe

GPT Transcribe est un modèle de reconnaissance vocale d'OpenAI, listé sur api14 sous l'identifiant de modèle openai/gpt-transcribe. Il appartient à la catégorie transcription, son rôle est donc étroit et spécifique : transformer l'audio en texte plutôt que générer des réponses conversationnelles ou gérer du chat polyvalent. Si vous construisez un pipeline où le contenu parlé doit devenir du contenu écrit, c'est le type de modèle que le fournisseur destine à cette étape.

Le modèle prend l'audio comme modalité d'entrée et renvoie une transcription comme sortie. Selon la description du fournisseur, il s'agit d'un modèle de reconnaissance vocale de haute précision adapté à l'audio enregistré, à la transcription de fichiers en streaming et aux tours Realtime engagés. Il prend en charge le contexte libre, les indices de mots clés et plusieurs langues. Aucune longueur de contexte n'est publiée pour ce modèle, et la sortie maximale est indiquée comme zéro, vous devez donc considérer les limites pratiques comme quelque chose à vérifier dans la documentation du fournisseur plutôt que de supposer un budget de tokens à partir de cette page. Ce que la page indique clairement, c'est la forme de l'interaction : audio en entrée, texte en sortie, avec un contexte optionnel et des indications de mots clés pour orienter la reconnaissance.

Les cas d'usage découlent directement de cela. La transcription d'audio enregistré couvre les enregistrements de réunions, les entretiens, les podcasts, les mémos vocaux et toute archive de contenu parlé que vous souhaitez rendre interrogeable sous forme de texte. La transcription de fichiers en streaming convient aux flux de travail où l'audio arrive sous forme de fichier et où vous voulez que la transcription soit produite dans le cadre d'une tâche de traitement plus large. Les tours Realtime engagés renvoient à de la parole en direct ou quasi en direct transcrite dans le cadre d'une session interactive. Le contexte libre est utile lorsque vous pouvez indiquer au modèle de quoi parle l'audio, par exemple le vocabulaire métier ou le sujet d'un appel, et les indices de mots clés aident lorsque vous savez que des termes, des noms ou du jargon spécifiques sont susceptibles d'apparaître. La prise en charge de plusieurs langues signifie que le même point de terminaison peut servir de l'audio multilingue plutôt que de vous forcer à utiliser un modèle distinct par langue.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle openai/gpt-transcribe, donc les bibliothèques clientes OpenAI existantes et les schémas de requête devraient être transposables avec l'URL de base pointant vers api14. La liste des paramètres pris en charge pour ce modèle est vide, ce qui signifie qu'aucun paramètre de requête supplémentaire n'est documenté ici au-delà de ce que le point de terminaison accepte par défaut. Concrètement, cela signifie que vous devez envoyer votre audio et l'identifiant de modèle, et ne pas compter sur des options de réglage telles que temperature ou des paramètres d'échantillonnage personnalisés apparaissant sur cette page. Si vous avez besoin d'un paramètre qui n'est pas listé, consultez la documentation du fournisseur avant de supposer qu'il est disponible.

Comme le modèle est uniquement dédié à la transcription, il ne convient pas aux tâches qui nécessitent de la génération de texte, du raisonnement, de l'appel d'outils ou une entrée d'image. Si votre charge de travail est du chat, du code ou du texte général, un autre modèle du catalogue vous servira mieux. Il n'y a également aucune longueur de contexte publiée et une sortie maximale de zéro sur cette page, donc pour de l'audio très long ou des exigences de débit inhabituelles, vous devez confirmer le comportement avec le fournisseur plutôt que de le déduire de ces champs.