OpenAI ha introdotto tramite API due nuovi modelli dedicati alla trascrizione vocale: GPT-Live-Transcribe, progettato per elaborare il parlato in tempo reale con una latenza ridotta, e GPT-Transcribe, ottimizzato per lavorare in modalità asincrona su registrazioni già completate e grandi quantità di file audio. I due sistemi ampliano l’offerta vocale della società dopo il lancio di GPT-Live-1 e GPT-Live-1 mini, ma rispondono a esigenze differenti rispetto ai modelli destinati alla conversazione diretta con l’utente.
GPT-Live-Transcribe è pensato per applicazioni nelle quali il testo deve essere prodotto mentre la persona sta ancora parlando, come la generazione di sottotitoli durante una videoconferenza, la traduzione simultanea, le dirette streaming e i servizi di assistenza telefonica. Il modello è stato sviluppato per riconoscere il parlato anche in condizioni acustiche complesse, distinguendo la voce in presenza di rumori di fondo o musica e riducendo il ritardo tra l’acquisizione dell’audio e la visualizzazione della trascrizione. Il servizio viene proposto al prezzo di 0,017 dollari per ogni minuto di audio elaborato, un costo superiore a quello del modello asincrono ma collegato alla necessità di fornire il risultato immediatamente.
GPT-Transcribe è invece destinato alla conversione di contenuti già registrati, tra cui riunioni, podcast, interviste e lezioni. Può essere utilizzato per elaborazioni in batch e per archivi contenenti grandi volumi di dati vocali, con una velocità dichiarata pari a circa 34 volte la durata reale dell’audio. Un file di 34 minuti può quindi essere trascritto indicativamente in un minuto, a seconda delle condizioni operative e dell’integrazione utilizzata. Il prezzo è stato fissato a circa 4,50 dollari per 1.000 minuti di audio.
Entrambi i modelli sono stati addestrati per utilizzare informazioni contestuali che vanno oltre il semplice riconoscimento dei singoli suoni. Gli sviluppatori possono fornire indicazioni sull’argomento della registrazione, sulla situazione in cui è stata prodotta, sulla lingua prevista e sulla presenza di nomi propri, prodotti, abbreviazioni o termini specialistici. Questi dati aggiuntivi aiutano il sistema a interpretare parole che potrebbero risultare ambigue dal solo segnale acustico e a mantenere una maggiore coerenza terminologica all’interno della trascrizione.
Le capacità di riconoscimento sono state migliorate anche per gestire accenti differenti, frasi brevi, espressioni numeriche e lessici utilizzati in contesti professionali o industriali. GPT-Live-Transcribe e GPT-Transcribe sono quindi destinati anche a registrazioni che non presentano la pronuncia regolare e l’audio pulito tipici dei set di addestramento, ma includono sovrapposizioni, rumore ambientale, variazioni linguistiche e parole poco frequenti.
Nei test riportati, GPT-Transcribe ha ottenuto un tasso di errore inferiore rispetto ai precedenti modelli basati su Whisper. Nella valutazione Common Voice condotta su 22 lingue, il modello ha registrato un Word Error Rate di circa il 19,27%, rispetto al 40,37% attribuito al precedente sistema Whisper utilizzato nel confronto. In un’ulteriore prova dedicata a registrazioni reali in nove lingue, il tasso di errore è sceso a circa l’8,98%.
Il Word Error Rate misura la percentuale di parole eliminate, aggiunte o trascritte in modo errato rispetto al testo di riferimento, per cui un valore più basso indica una maggiore precisione. Nell’indice elaborato da Artificial Analysis, GPT-Transcribe ha ottenuto un risultato del 3,3%, collocandosi al nono posto della graduatoria considerata. Anche GPT-Live-Transcribe ha mostrato prestazioni di riconoscimento superiori rispetto ai precedenti modelli OpenAI dedicati alla trascrizione in tempo reale.
La disponibilità tramite API permette di integrare i due modelli direttamente in software aziendali, piattaforme di comunicazione e servizi digitali. GPT-Transcribe può essere impiegato per generare automaticamente verbali di riunioni, indicizzare archivi sonori, analizzare conversazioni con i clienti e convertire contenuti multimediali in testi ricercabili, mentre GPT-Live-Transcribe può alimentare sottotitoli istantanei, strumenti di comunicazione multilingue e funzioni di accessibilità che devono mostrare il parlato senza attendere la conclusione della registrazione.