OpenAI 推出语音转录模型：gpt-transcribe 兼顾批量与实时转写

很多语音转文字工具一碰到现实场景就掉链子：背景稍微吵一点、说话带口音，或者用户报了一串银行账号「8-4-7-2」，模型自作聪明转成了「84 72」，下游的自动化系统直接报错瘫痪。

OpenAI 显然也看到了这块短板。他们最近推出了两款专门的语音转文字模型：负责离线批量处理的 gpt-transcribe，以及用于实时流式转录的 gpt-live-transcribe。两款模型目前已经上线 Microsoft Foundry。

搞定杂音、混部语言和一串数字

按官方介绍，这两款模型重点攻克了现实里最让人头疼的几个角落。比如背景噪音抑制，即便环境没有严格降噪也能抓出人声；再比如极短的语音指令、打断词和吞音，之前很容易被漏掉，现在被补强了。

它们还重点增强了字母与数字序列的识别能力，像证件号、邮政编码、电话、日期和账号这类业务关键信息，模型不会再瞎格式化。此外，新模型支持中英文混说等语码转换，能读懂行业黑话与专业术语，甚至能识别压低声音的耳语和微弱口令。

gpt-transcribe 被官方称为 OpenAI 目前准确率最高的语音识别模型。它主要针对现成的音频文件跑离线批处理，非常适合会议录音整理、客服语音留言归档和音视频内容转文字。

实时听写还能自己调延迟

另一款 gpt-live-transcribe 则接入了 Realtime API，专门做低延迟的流式文本输出，适合实时字幕、智能客服实时路由和辅助交互场景。

有意思的是，gpt-live-transcribe 引入了一项叫做「可调延迟」的机制。开发者可以根据具体业务场景，在响应延迟和识别准确度之间自己权衡，不必被迫接受一刀切的默认配置。

与此同时，微软和 OpenAI 还同步推出了语音对语音模型 gpt-realtime-2.1 以及成本更低的 gpt-realtime-mini-2.1。这两款模型直接输入音频并输出音频，而新发布的转录模型则专注在「音频进、文本出」这条管线上。

为什么重要

这对于需要处理大量录音或搭建语音 Agent 的团队来说非常实用。过去很多团队用通用大模型做端到端语音交互，不仅成本高昂，而且在涉及账号、地址等关键数据时频频出错。现在有了专注文字转录的高精度模型，且支持可调延迟，开发者可以先做精准提取再跑纯文本逻辑，性价比和可靠性都会提升不少。如果你的业务经常被嘈杂环境或奇怪口音困扰，现在就值得在 Microsoft Foundry 里接入测试。

对整个行业而言，OpenAI 没有把所有宝全押在端到端的纯语音交互上，而是回头把传统的转文字基本功重做了一遍。这说明现实中的企业级流程依然极度依赖结构化文本。我们认为，这种务实的做法很聪明，比起炫技式的全语音对话，搞定一串不会转错的账单号码，反而是当下企业软件更愿意掏钱买单的刚需。