OpenAI: GPT Transcribe

O GPT Transcribe é um modelo de fala para texto da OpenAI, listado na api14 sob o id de modelo openai/gpt-transcribe. Ele está na categoria de transcrição, portanto seu trabalho é restrito e específico: transformar áudio em texto, em vez de gerar respostas conversacionais ou lidar com chat de propósito geral. Se você está construindo um pipeline onde conteúdo falado precisa se tornar conteúdo escrito, este é o tipo de modelo que o provedor destina para essa etapa.

O modelo recebe áudio como sua modalidade de entrada e retorna uma transcrição como saída. De acordo com a descrição do provedor, é um modelo de fala para texto de alta precisão adequado para áudio gravado, transcrição de arquivos em streaming e turnos Realtime comprometidos. Ele suporta contexto de forma livre, dicas de palavras-chave e múltiplos idiomas. Nenhum comprimento de contexto é publicado para este modelo, e a saída máxima está listada como zero, então você deve tratar os limites práticos como algo a verificar na documentação do próprio provedor, em vez de assumir um orçamento de tokens a partir desta página. O que a página deixa claro é o formato da interação: áudio entra, texto sai, com contexto opcional e orientação por palavras-chave para direcionar o reconhecimento.

Os casos de uso decorrem diretamente disso. A transcrição de áudio gravado cobre gravações de reuniões, entrevistas, podcasts, memorandos de voz e qualquer arquivo de material falado que você queira tornar pesquisável como texto. A transcrição de arquivos em streaming se encaixa em fluxos de trabalho onde o áudio chega como um arquivo e você quer que a transcrição seja produzida como parte de um trabalho de processamento maior. Os turnos Realtime comprometidos apontam para fala ao vivo ou quase ao vivo sendo transcrita como parte de uma sessão interativa. O contexto de forma livre é útil quando você pode dizer ao modelo sobre o que é o áudio, por exemplo vocabulário de domínio ou o assunto de uma chamada, e as dicas de palavras-chave ajudam quando você sabe que termos, nomes ou jargões específicos provavelmente aparecerão. O suporte a múltiplos idiomas significa que o mesmo endpoint pode atender áudio multilíngue, em vez de forçar você a usar um modelo separado por idioma.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo openai/gpt-transcribe, então bibliotecas cliente OpenAI existentes e padrões de requisição devem funcionar com a URL base apontada para a api14. A lista de parâmetros suportados para este modelo está vazia, o que significa que não há parâmetros de requisição adicionais documentados aqui além do que o endpoint aceita por padrão. Na prática, isso significa que você deve enviar seu áudio e o id do modelo, e não contar com opções de ajuste como temperature ou configurações personalizadas de amostragem aparecendo nesta página. Se você precisar de um parâmetro que não está listado, verifique a documentação do provedor antes de assumir que ele está disponível.

Como o modelo é apenas de transcrição, ele não é adequado para tarefas que precisam de geração de texto, raciocínio, chamada de ferramentas ou entrada de imagem. Se sua carga de trabalho é chat, código ou texto geral, um modelo diferente no catálogo irá atendê-lo melhor. Também não há comprimento de contexto publicado e a saída máxima é zero nesta página, então para áudio muito longo ou requisitos incomuns de throughput você deve confirmar o comportamento com o provedor, em vez de inferi-lo a partir desses campos.