大模型之家讯 美东时间周四，OpenAI举行技术直播，推出三款新语音模型：语音转文本模型GPT-4o Transcribe和GPT-4o MiniTranscribe，以及文本转语音模型GPT-4o MiniTTS。这些模型在前代基础上取得显著进步，进一步接近OpenAI的AI智能体愿景。
GPT-4o MiniTTS文本到语音模型能够生成更细腻、逼真的语音，并具备更高的可控性。开发者可以使用自然语言指示模型的语音风格，例如“像疯狂的科学家一样说话”或“以平静的声音说话”。OpenAI在官网提供了六种不同语气的示例，产品人员杰夫·哈里斯表示，目标是让开发者定制语音体验和环境。
在语音转文本方面，GPT-4o Transcribe和GPT-4o MiniTranscribe的准确度明显高于之前的Whisper模型。新模型经过多样化、高质量音频数据集训练，能够更好地捕捉口音和不同语音，即使在嘈杂环境中也能表现出色。OpenAI表示，新模型在多种语言中的词错误率更低，幻觉概率也有所降低。哈里斯强调，确保模型的准确性对于获得可靠的语音体验至关重要。
这些模型的发布符合OpenAI构建AI智能体的愿景，即开发能够代表用户独立完成任务的自动化系统。产品主管奥利维尔·戈德曼指出，未来几个月将会看到越来越多的AI智能体出现，帮助客户和开发者利用有用、可用且准确的智能体。
与之前的Whisper模型不同，OpenAI并不打算公开发布新的转录模型。哈里斯表示，GPT-4o Transcribe和GPT-4o MiniTranscribe比Whisper大得多，不适合公开发布。他强调，开源发布需要深思熟虑，确保模型针对特定需求。
原创文章，作者：志斌，如若转载，请注明出处：http://damoai.com.cn/archives/9661
