# OpenAI 推出 GPT-Live-Transcribe 提供低延遲語音即時轉錄

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：OpenAI Developers (@OpenAIDevs) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥 · 日期：2026-07-29

> 原始來源：https://x.com/OpenAIDevs/status/2082201169443905798

## 證據與延伸閱讀

- [使用者可依音訊來源選擇對應的推薦模型與工作流程](https://developers.openai.com/api/docs/guides/transcription/) — 官方文件

## 中文摘要

OpenAI 推出 GPT-Live-Transcribe 提供低延遲語音即時轉錄。

**兩大全新模型定位**
OpenAI 開發者團隊（@OpenAIDevs）在 API 中推出了兩款專門的語音轉文字模型，用以滿足不同的轉錄需求：
- `gpt-live-transcribe`：專為低延遲的即時語音轉文字（Realtime transcription）而建構。
- `gpt-transcribe`：針對已完成的音訊檔案與批次工作負載最佳化，做非同步的檔案轉錄（File transcription）。
兩者皆能更好地理解上下文，並在真實世界的各種口音與語言音訊中，提供更準確的轉錄表現，適用於短語、數字、專門術語以及伴隨吵雜背景噪音的語音。開發者亦可參考 [OpenAI Transcription 文件指南](https://developers.openai.com/api/docs/guides/transcription/) 以取得完整的實作細節。

<video src="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1785286136795-ov6xi3z3.mp4" poster="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/2e2caeca0a0feec5.jpg" controls playsinline preload="metadata" style="max-width:100%;height:auto;display:block;margin:1rem 0"></video>
> 一名講者介紹 GPT Transcribe 與 GPT Live Transcribe 兩款語音轉文字模型

**效能基準與上下文提升**
透過提供自由形式的上下文、關鍵字、預期輸入語言以及先前轉錄的對話輪次，開發者能改善語音轉錄的品質：
- 在「Context Aware Automatic Speech Recognition」基準測試中，`gpt-live-transcribe` 的語意準確度在未提供自由形式上下文時為 38.5%，提供後則成長為 44.6%。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/c858f21880e6bea1.png)
> gpt-live-transcribe 在 Context Aware ASR Benchmark 提供 context 後準確率大幅提升至 44.6%，優於 gpt-realtime-whisper 的 32.2%

- 在 Common Voice 的 22 種語言測試中，`gpt-live-transcribe` 達到 19.70% 的轉錄錯誤率，優於 `gpt-realtime-whisper` 的 20.33%。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/0415ffdebbcb93f2.png)
> gpt-live-transcribe 在 Common Voice 基準測試中以 19.70% 的字詞錯誤率（WER）表現優於 gpt-realtime-whisper（20.33%）。

- 在「Real-World Audio Recording」基準測試的 9 種語言中，`gpt-live-transcribe` 取得 9.60% 的轉錄錯誤率，相較於 `gpt-realtime-whisper` 的 11.65% 更為出色。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/5c602ec1921aa83e.png)
> gpt-live-transcribe 在 Real World Audio Recording 基準測試中，以 9.60% 的詞錯誤率（WER）優於 gpt-realtime-whisper 的 11.65%。

- `gpt-transcribe` 在相同基準測試中同樣表現優異，語意準確度從 41.6% 提升至 45.2%；在 Common Voice 的 22 種語言中取得 19.27% 的轉錄錯誤率（對比舊版 Whisper 的 40.37%），並在真實世界音訊基準測試中創下 8.98% 的轉錄錯誤率（對比 Whisper 的 15.21%）。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/0aced7b677a97ba9.png)
> gpt-transcribe 在 Real World Audio Recording benchmark 達到 8.98% 的詞錯誤率（WER），優於 whisper-1 的 15.21%。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/9f98f043b6a3fd73.png)
> gpt-transcribe 在 Common Voice 基準測試中以 19.27% 的詞錯誤率（WER）優於 whisper-1 的 40.37% 及其他模型

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/3e11090ccb1c4914.png)
> gpt-transcribe 在 Context Aware ASR Benchmark 中提供 context 時準確率提升至 45.2%，高於無 context 的 41.6% 並大幅領先其他模型

**轉錄工作流程與功能選擇**
根據官方技術文件的指引，使用者可依據音訊來源選擇對應的推薦模型與工作流程：
- 檔案轉錄：針對已完成的錄音或有界限的音訊請求，推薦使用 `gpt-transcribe` 模型上傳檔案並接收最終逐字稿，或在處理檔案時串流輸出文字。
- 即時轉錄：針對麥克風、通話或其他即時音訊串流，推薦使用 `gpt-live-transcribe` 模型在語音抵達時取得文字。
- 針對需要講者標籤、單字時間戳記、`srt` 與 `vtt` 字幕、將完成的錄音翻譯成英文等特殊需求的應用，文件則建議搭配特定的模型與端點（例如使用 `whisper-1` 或 `gpt-4o-transcribe-diarize`）。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/b3df7cb8a615e84b.png)
> OpenAI Developers API Docs 頁面的標題畫面，背景為粉橘色漸層，左上角顯示「OpenAI Developers」與 OpenAI logo，左下角則標示「API Docs」與大字標題「Transcription」。

## 媒體內容

**一名講者介紹 GPT Transcribe 與 GPT Live Transcribe 兩款語音轉文字模型**

**影片中的 Prompt 與操作**

操作步驟：

1. （00:01）點擊筆記型電腦觸控板以操作介面

**逐字稿**

- `00:02` 今天，我們推出了兩個全新的語音轉文字模型：GPT-Transcribe 和 GPT-Live-Transcribe。（Today, we're introducing two new transcription models, GPT-Transcribe and GPT-Live-Transcribe.）
- `00:08` 這兩個模型為你提供了兩種不同的方式來進行語音轉文字開發。GPT-Transcribe 接收完整的（These models give you two different ways to build with transcription. GPT-Transcribe takes a complete）
- `00:14` 檔案並傳回完整的逐字稿。GPT-Live-Transcribe 則會保持連線開啟，並隨著（file and returns the full transcript. GPT-Live-Transcribe keeps a connection open and returns）
- `00:19` 音訊送達即時傳回文字。這兩個模型都支援 57 種語言，而且在處理（text as the audio arrives. Both models support 57 languages, and they're much better at the）
- `00:25` 容易出問題的語音轉文字環節上表現好得多。例如口音、多國語言交雜、非常簡短的回答、（parts of transcription that tend to break. Accents, multilingual speech, very short answers,）
- `00:31` 人名和數字。開發者也可以提供一份單字清單、專有名詞或程式碼術語，（names, and numbers. Developers can also provide a list of words, proper nouns, or code terms）
- `00:37` 這些對於確保正確性非常重要。在這次的會議中，我提供了一個提及（that are especially important to get right. For this session, I provided a prompt mentioning）
- `00:42` 語音轉文字模型的 prompt，外加包含如網路釣魚、ARR 和 A1C 等來自資安、（transcription models, plus a vocabulary with terms like phishing, ARR, and A1C from cybersecurity,）
- `00:49` 銷售和醫療保健領域、容易被漏掉的詞彙表。而且因為它們更擅長處理（sales, and healthcare domains that can be easy to miss. And because they're better at handling）
- `00:53` 背景噪音，旁人的交談或環境音樂不太可能會被誤認為是語音。（background noise, a side conversation or ambient music is less likely to show up as speech.）
- `00:59` 所以無論你是在吵雜的咖啡廳、熱鬧的會議廳，還是坐在非常愛聊天的（So whether you're recording in a loud café, a busy conference hall, or next to a very chatty）
- `01:04` 同事旁邊錄音，逐字稿都能專注在你真正說的話上。你可以提供模型（co-worker, the transcript can stay focused on what you're actually saying. You can give the model）
- `01:10` 語言提示來提高準確度，但它預設就能自動辨識多國語言交雜的語音，（language hints to improve accuracy, but by default it can follow multilingual speech automatically,）
- `01:15` 所以我現在就可以在這裡切換語言。（so I can switch languages right here in the session.）
- `01:17` 我也可以在同一個會議裡切換成西班牙語，模型會繼續即時轉錄。（Y también puedo cambiar al español en la misma sesión. El modelo sigue transcribiendo en tiempo real.）
- `01:25` 現在我又切回英語了。同一個會議，逐字稿在兩個方向的切換上都能跟上。（And now I'm back to English. Same session, and the transcript followed the switch in both）
- `01:32` 現在我們來看看 GPT Transcribe。我上傳了一段大約半小時長的（directions. Now let's take a look at GPT Transcribe. I've uploaded a meeting recording that's about half an）
- `01:40` 會議錄音。模型處理它只需不到一分鐘的時間，然後逐字稿就（hour long. The model will take a little less than a minute to process it, and then the transcript is）
- `01:45` 準備好進行接下來的任何應用了。像是搜尋、摘要、待辦事項，或是交接給另一個應用程式。（ready for whatever comes next. Search, summaries, action items, or a handoff to another application.）
- `01:52` 它非常適合通話存檔、Podcast 以及較大型的批次作業，在這些情境下你可以等待完整檔案（It's great for call archives, podcasts, and larger batch jobs where you can wait for a complete file）
- `01:58` 並最佳化準確度與產出量。這與串流模型形成對比，串流模型擅長字幕、（and optimize for accuracy and throughput. In contrast to the streaming model, which excels at captions,）
- `02:04` 口述聽寫和語音介面，在這些情境中延遲會顯著影響體驗。祝大家開發愉快。（dictation, and voice interfaces, where latency meaningfully impacts the experience. Happy building.）

**gpt-live-transcribe 在 Common Voice 基準測試中以 19.70% 的字詞錯誤率（WER）表現優於 gpt-realtime-whisper（20.33%）。**

**數據表**

| 項目 | 數值 |
| --- | --- |
| gpt-live-transcribe | 19.70% |
| gpt-realtime-whisper | 20.33% |

**gpt-live-transcribe 在 Context Aware ASR Benchmark 提供 context 後準確率大幅提升至 44.6%，優於 gpt-realtime-whisper 的 32.2%**

**數據表**

|   | With context | Without context |
| --- | --- | --- |
| gpt-realtime-whisper | 32.2% | 32.4% |
| gpt-live-transcribe | 44.6% | 38.5% |

**gpt-live-transcribe 在 Real World Audio Recording 基準測試中，以 9.60% 的詞錯誤率（WER）優於 gpt-realtime-whisper 的 11.65%。**

**數據表**

| 項目 | 數值 |
| --- | --- |
| gpt-live-transcribe | 9.60% |
| gpt-realtime-whisper | 11.65% |

**gpt-transcribe 在 Real World Audio Recording benchmark 達到 8.98% 的詞錯誤率（WER），優於 whisper-1 的 15.21%。**

**數據表**

| 項目 | 數值 |
| --- | --- |
| gpt-4o-mini-transcribe | 15.46% |
| gpt-4o-transcribe | 22.21% |
| whisper-1 | 15.21% |
| gpt-transcribe | 8.98% |

**gpt-transcribe 在 Common Voice 基準測試中以 19.27% 的詞錯誤率（WER）優於 whisper-1 的 40.37% 及其他模型**

**數據表**

| 項目 | 數值 |
| --- | --- |
| gpt-4o-mini-transcribe | 24.93% |
| gpt-4o-transcribe | 22.94% |
| whisper-1 | 40.37% |
| gpt-transcribe | 19.27% |

**gpt-transcribe 在 Context Aware ASR Benchmark 中提供 context 時準確率提升至 45.2%，高於無 context 的 41.6% 並大幅領先其他模型**

**數據表**

|   | With context | Without context |
| --- | --- | --- |
| gpt-4o-mini-transcribe | 23.3% | 23.1% |
| gpt-4o-transcribe | 26.3% | 27.0% |
| gpt-transcribe | 45.2% | 41.6% |

## 標籤

新產品, 功能更新, STT, OpenAI