OpenAI 推出語音轉錄模型：gpt-transcribe 兼顧批次與即時轉寫

很多語音轉文字工具一碰到現實場景就掉鏈子：背景稍微吵一點、說話帶口音，或者使用者報了一串銀行賬號「8-4-7-2」，模型自作聰明轉成了「84 72」，下游的自動化系統直接報錯癱瘓。

OpenAI 顯然也看到了這塊短板。他們最近推出了兩款專門的語音轉文字模型：負責離線批次處理的 gpt-transcribe，以及用於即時流式轉錄的 gpt-live-transcribe。兩款模型目前已經上線 Microsoft Foundry。

搞定雜音、混部語言和一串數字

按官方介紹，這兩款模型重點攻克了現實裡最讓人頭疼的幾個角落。比如背景噪音抑制，即便環境沒有嚴格降噪也能抓出人聲；再比如極短的語音指令、打斷詞和吞音，之前很容易被漏掉，現在被補強了。

它們還重點增強了字母與數字序列的識別能力，像證件號、郵政編碼、電話、日期和賬號這類業務關鍵資訊，模型不會再瞎格式化。此外，新模型支援中英文混說等語碼轉換，能讀懂行業黑話與專業術語，甚至能識別壓低聲音的耳語和微弱口令。

gpt-transcribe 被官方稱為 OpenAI 目前準確率最高的語音識別模型。它主要針對現成的音訊檔案跑離線批處理，非常適合會議錄音整理、客服語音留言歸檔和音影片內容轉文字。

即時聽寫還能自己調延遲

另一款 gpt-live-transcribe 則接入了 Realtime API，專門做低延遲的流式文本輸出，適合即時字幕、智慧客服即時路由和輔助互動場景。

有意思的是，gpt-live-transcribe 引入了一項叫做「可調延遲」的機制。開發者可以根據具體業務場景，在響應延遲和識別準確度之間自己權衡，不必被迫接受一刀切的預設配置。

與此同時，微軟和 OpenAI 還同步推出了語音對語音模型 gpt-realtime-2.1 以及成本更低的 gpt-realtime-mini-2.1。這兩款模型直接輸入音訊並輸出音訊，而新發布的轉錄模型則專注在「音訊進、文本出」這條管線上。

為什麼重要

這對於需要處理大量錄音或搭建語音 Agent 的團隊來說非常實用。過去很多團隊用通用大模型做端到端語音互動，不僅成本高昂，而且在涉及賬號、地址等關鍵資料時頻頻出錯。現在有了專注文字轉錄的高精度模型，且支援可調延遲，開發者可以先做精準提取再跑純文本邏輯，價效比和可靠性都會提升不少。如果你的業務經常被嘈雜環境或奇怪口音困擾，現在就值得在 Microsoft Foundry 裡接入測試。

對整個行業而言，OpenAI 沒有把所有寶全押在端到端的純語音互動上，而是回頭把傳統的轉文字基本功重做了一遍。這說明現實中的企業級流程依然極度依賴結構化文本。我們認為，這種務實的做法很聰明，比起炫技式的全語音對話，搞定一串不會轉錯的賬單號碼，反而是當下企業軟體更願意掏錢買單的剛需。