OpenAI: GPT-4o Transcribe

GPT-4o Transcribe to model zamiany mowy na tekst od OpenAI, zbudowany na możliwościach audio GPT-4o. Należy do kategorii transkrypcji, więc jego zadaniem jest konwertowanie mowy z audio na tekst pisany, a nie generowanie odpowiedzi konwersacyjnych. Jeśli już kierujesz inne modele OpenAI przez swój stos, ten pochodzi od tego samego dostawcy i działa według tego samego ogólnego wzorca dostępu.

Model przyjmuje audio jako jedyne wejście i zwraca transkrypcję jako wyjście. Ma długość kontekstu 128 000 tokenów i maksymalne wyjście 115 200 tokenów, co jest hojne jak na pracę transkrypcyjną: długie nagrania, sesje z wieloma mówcami lub duże partie audio można obsłużyć bez dzielenia ich na wiele małych żądań. Ponieważ wyjściem jest transkrypcja, a nie uzupełnienie czatu, należy oczekiwać tekstu odzwierciedlającego to, co powiedziano w audio, a nie odpowiedzi w stylu asystenta. Dostawca opisuje go jako wysokiej jakości model zamiany mowy na tekst, a rozliczanie odbywa się za token zarówno na wejściu, jak i na wyjściu, co daje przejrzystość na poziomie tokenów w zakresie tego, ile zużywa każde żądanie.

Praktyczne przypadki użycia wynikają bezpośrednio z tego kształtu. Nagrania spotkań i rozmów można zamienić na tekst do notatek, wyszukiwania lub archiwizacji. Notatki głosowe, wywiady i nagrania badawcze można transkrybować do późniejszej analizy. Podcasty, wykłady i podobne długie audio pasują do dużego okna kontekstu, więc można wysyłać znaczne pliki w jednym żądaniu zamiast dzielić je na fragmenty. Zespoły, które potrzebują transkrypcji jako etapu potoku, zasilając nim narzędzia do streszczania, indeksowania lub przeglądu, mogą użyć modelu jako pierwszego etapu. Wszędzie tam, gdzie masz audio i potrzebujesz z niego niezawodnego tekstu, to jest zamierzone obciążenie.

Wywołujesz go przez API zgodne z OpenAI od api14, używając identyfikatora modelu "openai/gpt-4o-transcribe". Ponieważ API jest zgodne z OpenAI, możesz wskazać istniejącego klienta OpenAI na punkt końcowy api14 i wysyłać wejście audio w zwykły sposób, bez potrzeby dedykowanej integracji. Lista obsługiwanych parametrów modelu jest pusta, więc nie ma dodatkowych opcji dostrajania do ustawienia poza standardowymi polami żądania; utrzymuj żądania proste i polegaj na domyślnych ustawieniach modelu. Sprawdź bieżącą tabelę cen na tej stronie, aby poznać aktualne stawki, ponieważ rozliczanie odbywa się za token zarówno na wejściu, jak i na wyjściu.

Jedną rzeczą, o której warto pamiętać, jest zakres. Ten model jest zbudowany wyłącznie do transkrypcji, więc jeśli potrzebujesz asystenta, który rozumuje na tekście, odpowiada na pytania lub tworzy ustrukturyzowane wyjście, lepiej pasować będzie ogólny model czatu. Podobnie, jeśli twoje audio jest krótkie i proste, lżejsza opcja transkrypcji może wystarczyć. W przypadku długich nagrań i przepływów pracy, w których liczy się widoczność rozliczania na poziomie tokenów, GPT-4o Transcribe jest prostym wyborem.