OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe adalah model speech-to-text dari OpenAI, dibangun di atas kemampuan audio GPT-4o Mini. Model ini berada dalam kategori transkripsi, diposisikan oleh penyedianya sebagai opsi yang lebih kecil dan hemat biaya untuk mengubah ucapan menjadi teks. Model ini ditawarkan di api14 dengan model id openai/gpt-4o-mini-transcribe, sehingga pengembang yang sudah bekerja dengan perkakas bergaya OpenAI dapat mengaksesnya tanpa mengubah pendekatan integrasi mereka.

Model ini menerima audio sebagai modalitas input dan mengembalikan transkripsi sebagai output. Model ini memiliki context length 128.000 token, dengan output maksimum 115.200 token. Karena sisi input hanya audio dan sisi output hanya transkripsi, ini adalah alat yang terfokus: Anda mengirim ucapan yang direkam atau di-streaming dan menerima teks. Cakupan yang sempit ini membuatnya dapat diprediksi untuk pipeline yang tujuannya mengubah konten lisan menjadi bentuk tertulis, dan alokasi token yang besar berarti rekaman panjang dapat ditangani tanpa harus dipecah menjadi banyak potongan kecil.

Penggunaan praktis mengikuti langsung dari bentuk tersebut. Alur kerja transkripsi bervolume tinggi adalah kecocokan yang jelas, karena model ini dirancang oleh penyedianya untuk hal itu. Tim dapat menggunakannya untuk memberi takarir pada rapat yang direkam, menghasilkan transkrip panggilan dukungan pelanggan, mengubah wawancara dan sesi riset menjadi teks untuk analisis, atau menghasilkan subtitle untuk konten video dan podcast. Modalitas input dan output tunggal juga cocok untuk tugas batch di mana banyak file audio diproses sesuai jadwal, dan aplikasi apa pun yang membutuhkan teks yang dapat dicari dari materi lisan.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id openai/gpt-4o-mini-transcribe. Karena antarmukanya mengikuti format OpenAI, permintaan terlihat seperti panggilan transkripsi yang sudah biasa Anda tulis terhadap OpenAI, dengan audio disertakan dalam permintaan dan teks yang dihasilkan dikembalikan dalam respons. Di api14, model ini tidak mengekspos parameter tambahan yang didukung di luar itu, sehingga tidak ada flag konfigurasi tambahan yang diterima: pertahankan permintaan pada field transkripsi standar daripada mengharapkan penyetelan opsi sampling atau pemformatan per panggilan.

Perlu dicatat saat memilihnya: model ini hanya menangani input audio dan output transkripsi, sehingga tidak menerima prompt teks sebagai input atau menghasilkan apa pun di luar teks yang ditranskripsikan. Jika tugas Anda melibatkan penalaran atas transkrip, meringkasnya, atau menghasilkan respons, Anda biasanya akan memasangkan model ini dengan model teks, lalu meneruskan output transkripsi tersebut. Namun dalam jalurnya sendiri, ini adalah pilihan yang lugas bagi tim yang membutuhkan model ringkas dan hemat biaya untuk mengubah ucapan menjadi teks dalam volume besar.