GPT-Transcribe пен GPT-Live-Transcribe: бағалар, API айырмашылықтары және көшу

TL;DR

Дайын жазбалар үшін gpt-transcribe қолданыңыз — құны аудио минутына $0.0045, ал микрофондар, қоңыраулар немесе тікелей меди-ағындар үшін gpt-live-transcribe — аудио минутына $0.017. OpenAI жариялаған бенчмарктерінде тірі модельдің транскрипция қатесі GPT-Realtime-Whisper-ге қарағанда төмен деп хабарланды, бірақ дұрыс таңдау мәтіннің қашан пайда болуы керек екеніне, қандай шығыс өрістер қажет екеніне және екі модельдің өндірістік аудиодағы нәтижесіне байланысты.

GPT-Transcribe пен GPT-Live-Transcribe: бір қарағанда

Егер транскрипция тек аудио жазылғаннан кейін қажет болса, gpt-transcribe пайдаланыңыз. Қолданбаңызға аудио келіп жатқан кезде мәтін қажет болса, gpt-live-transcribe пайдаланыңыз. Ең үлкен айырмашылық тек бағада емес, транскрипцияның қашан басталатынында және қолданбаңыз қолдауы тиіс API жұмыс ағынында.

gpt-transcribe аяқталған файлды немесе commit жасалған аудио кезегін өңдеу кезінде ішінара транскрипт жаңартуларын қайтара алса да, ол үздіксіз тікелей стриминг маршруты емес. Тікелей субтитрлер, қоңыраулар немесе микрофон кірістері үшін gpt-live-transcribe дұрыс таңдау.

Провайдерлер бойынша кеңірек салыстыру үшін CometAPI-дың 2026 жылғы ең үздік 6 сөйлеуді мәтінге айналдыру API-і материалын қараңыз.

GPT-Transcribe және GPT-Live-Transcribe қандай?

OpenAI gpt-transcribe және gpt-live-transcribe модельдерін 2026 жылғы 29 шілдеде таныстырды. gpt-transcribe дайын жазбаларды, стриминг арқылы жіберілген файл транскрипттерін және commit жасалған Realtime кезектерін өңдейді, ал gpt-live-transcribe микрофондардан, қоңыраулардан немесе тікелей меди-ағындардан аудио келіп жатқанда төмен кідірісті транскрипт жаңартуларын қайтарады.

Бұл екі модель жалпы файлдық және тірі транскрипция үшін жаңа әдепкі маршруттарды ұсынады, бірақ уақыт белгілері, аударма, субтитрлер және спикер диаризациясы үшін арнайы Whisper және GPT-4o транскрипция жұмыс үрдістері әлі де қажет.

GPT-Live-Transcribe қашан қымбатырақ бағасына тұрады?

OpenAI-дың API бағалар парағында gpt-transcribe аудио минутына $0.0045, ал gpt-live-transcribe аудио минутына $0.017 деп көрсетілген. Демек, тірі маршруттың құны әр аудио минутына шамамен 3.8 есе жоғары.

Бұл транскрипция құн бағалаулары OpenAI жариялаған базалық тарифтерді ғана пайдаланады: аудио сағаттары × 60 × минутына баға. Оларға сақтау, желілік тасымал, қайта әрекеттер, қолданбаны хостинг, пост-өңдеу, адам тарапынан түзету және резервтік провайдер шығындары кірмейді.

Өнім талаптары дереу субтитр, агент көмекшісі, модерация немесе нақты уақыттағы өзара әрекеттесу қамтыса, gpt-live-transcribe таңдаңыз. Жиналыс, қоңырау, сұхбат немесе медиа жүктеу аяқталғаннан кейін ғана транскрипт қажет болса, gpt-transcribe таңдаңыз. Екі маршрутты архитектура қолданушы тәжірибесі үшін тірі транскрипцияны, ал қоңыраудан кейінгі өңдеу немесе толықтырулар үшін файл транскрипциясын қолдана алады.

OpenAI қазір GPT-Realtime-Whisper және gpt-live-transcribe үшін бірдей — минутына $0.017 — базалық бағаны көрсетеді. Осы тірі маршруттар арасындағы көшу туралы шешімді тек тізімдік бағаға емес, қабылданған транскрипт сапасы, кідіріс, оқиғаларды өңдеу және операциялық үйлесімділікке сүйене отырып бағалаңыз.

GPT-Transcribe пен GPT-Live-Transcribe API-лары несімен ерекшеленеді?

Негізгі айырмашылық — аудио жүйеге қалай кіреді және транскрипт оқиғалары қашан басталады. gpt-transcribe дайын файлдарды немесе commit жасалған аудио кезектерін қабылдайды, ал gpt-live-transcribe Realtime қосылымын ұстап тұрады және аудио келіп жатқан кезде транскрипт жаңартуларын шығарады.

Аяқталған аудио үшін GPT-Transcribe қолданыңыз

Дайын жазба үшін файлды /v1/audio/transcriptions адресіне жіберіңіз. OpenAI-дың файл транскрипциясы бойынша нұсқаулығы mp3, mp4, mpeg, mpga, m4a, wav немесе webm форматтарындағы 25 MB-қа дейінгі файлдарды қабылдайды.

from openai import OpenAI

client = OpenAI()
with open("support-call.wav", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="A support call about a premium plan and account AC-42.",
        extra_body={
            "keywords": ["premium plan", "AC-42", "billing"],
            "languages": ["en"],
        },
    )
print(transcript.text)

OpenAI жүктелген жазбаны өңдеп жатқан кезде транскрипт дельта оқиғаларын алу үшін stream=True орнатыңыз. Бұл көрінетін мәтінге дейінгі күту уақытын азайтады, бірақ файл endpoint-ін тірі микрофон қабылдағышына айналдырмайды.

Келіп жатқан аудио үшін GPT-Live-Transcribe қолданыңыз

type: "transcription" параметрімен Realtime сессия жасаңыз және gpt-live-transcribe таңдаңыз. Серверлік меди-конвейер үшін WebSocket қолданыңыз немесе браузер аудиосы үшін WebRTC пайдаланыңыз.

{
  "type": "session.update",
  "session": {
    "type": "transcription",
    "audio": {
      "input": {
        "format": {
          "type": "audio/pcm",
          "rate": 24000
        },
        "transcription": {
          "model": "gpt-live-transcribe",
          "prompt": "A support call about a premium plan and account AC-42.",
          "keywords": ["premium plan", "AC-42", "billing"],
          "languages": ["en"],
          "delay": "low"
        },
        "turn_detection": null
      }
    }
  }
}

Аудио бөліктерін input_audio_buffer.append көмегімен қосыңыз. Қолданба аудио кезектерін input_audio_buffer.commit арқылы commit жасай алады немесе серверлік дауыс белсенділігін анықтауын баптай алады.

Realtime транскрипция нұсқаулығы ішінара мәтінді conversation.item.input_audio_transcription.delta арқылы қайтарады, одан кейін commit жасалған элемент үшін conversation.item.input_audio_transcription.completed келеді. Әртүрлі кезектерден келген аяқталу оқиғалары ретімен келетініне кепілдік жоқ, сондықтан оларды келу ретіне емес, item_id арқылы сәйкестендіріңіз.

Дереу мәтін қажет болмаған кезде committed-turn маршрутын қолданыңыз

gpt-transcribe сондай-ақ WebSocket арқылы Realtime транскрипция сессиясында жұмыс істей алады. Транскрипция аудио кезегі commit жасалғаннан кейін басталады, модель бұрынғы транскрипцияланған кезектерді контекст ретінде пайдалана алады және аяқталған оқиғада анықталған тілдер болуы мүмкін.

Бұл committed-turn маршруты, сөйлеуші әлі сөйлеп жатқанда мәтінді көрсетуге қарағанда, кезекке негізделген стриминг немесе тіл анықтау маңыздырақ болғанда пайдалы. Оны gpt-live-transcribe үздіксіз, төмен кідірісті тәртібімен шатастыруға болмайды.

Prompt, Keywords, Languages және Delay транскрипцияға қалай әсер етеді?

Екі модель де есімдер, сандар, аббревиатуралар, өнім терминдері, акценттелген сөйлеу, көптілді аудио және код-ауысу үшін тануды жақсарта алатын контекстті қабылдайды.

Жаңа модельдер үшін languages бұрынғы жекеше language өрісін алмастырады. Екеуін бірге жібермеңіз. Әрбір keyword бір жолда қалуы керек және <, >, carriage return немесе line feed қамтымайды; жарамсыз мәндер сұраныстың немесе сессия жаңартуының қабылданбауына әкеледі.

gpt-live-transcribe minimal, low, medium, high және xhigh кідіріс баптауларын қолдайды. Төмен баптаулар ерте ішінара мәтінді қалайды, ал жоғары баптаулар көбірек аудио контекст беріп, транскрипция сапасын жақсартуы мүмкін. OpenAI әр деңгей үшін тұрақты кідіріске уәде бермейді, сондықтан өкіл микрофондар, кодектер, желілер, тілдер және сессия ұзындықтарында first delta-ға және соңғы транскриптке дейінгі уақытты өлшеңіз.

OpenAI дәлдік бенчмарктері не көрсетеді?

OpenAI-дың жарияланымында gpt-live-transcribe екі көптілді транскрипция тестінде GPT-Realtime-Whisper-1-ден жақсы нәтиже көрсеткені хабарланды. Сондай-ақ еркін контекст Context Aware ASR бағалауында мағыналық дәлдікті жақсартқаны айтылды.

Қорғалатын қорытынды тар: жаңа тірі модель OpenAI хабарлаған тесттерде жақсырақ нәтиже көрсетті, ал контекст хабарланған мағыналық дәлдік ұпайын жақсартты. Бұл вендор хабарлаған нәтижелер әр тіл, телефония кодегі, микрофон, кідіріс баптауы, домен сөздігі немесе түзету саясаты үшін бірдей жақсару кепілі емес.

Whisper немесе GPT-4o Transcribe қашан қолданылуы керек?

Жаңа модельдердің екеуі де барлық сөйлеуді мәтінге айналдыру жұмыс ағындарын алмастырмайды.

Диаризация үшін OpenAI файл Transcriptions API-ін талап етеді; спикер жапсырмалары Realtime транскрипция сессияларында қолдау таппайды. 30 секундтан ұзақ жазбалар үшін chunking_strategy-ді "auto" етіп баптаңыз немесе дауыс белсенділігін анықтау конфигурациясын қолданыңыз.

Уақыт белгісі, субтитр, аударма немесе бар Whisper жұмыс үрдістері үшін CometAPI-дың Whisper API нұсқаулығын және Whisper-1 модель беті материалын қараңыз. Басқа OpenAI файл транскрипция маршрутын бағалайтын топтар GPT-4o Transcribe модель бетін де шолалай алады.

Whisper-ден қалай көшу керек?

Модель ID-ін өзгерту — тек алғашқы қадам. Өндірістік трафикті ауыстырмас бұрын толық жұмыс ағынын тексеріңіз.

GPT-Realtime-Whisper көшіруінде аудио форматты, кезек анықтау саясатын, тест жиынын және кідіріс мақсаттарын бірдей ұстаңыз. Жарияланған тірі баға өзгермегендіктен, қабылданған транскрипт үлесі, кідіріс таралымы, шығыс тұрақтылығы және құбырдың қалған бөлігімен үйлесімділікке басымдық беріңіз.

Көшіру нұсқаулығы (Whisper / бұрынғы модельдерден)

OpenAI ресми cookbook ұсынады: Whisper-ден GPT-Transcribe және GPT-Live-Transcribe-ке көшу.

Жалпы ережелер:

1. Жазылған / пакет аудио → бар /v1/audio/transcriptions endpoint-інде gpt-transcribe-ке ауысыңыз.
2. Үздіксіз тірі аудио → Realtime транскрипция сессиясында gpt-live-transcribe-ке ауысыңыз.
3. Commit жасалған кезектен кейін жоғары дәлдік → Realtime сессия ішінде gpt-transcribe қолданыңыз.

Ең минимал файл көшіру мысалы (Python):

Python

# Before (Whisper)with open("meeting.wav", "rb") as audio:    result = client.audio.transcriptions.create(        model="whisper-1",        file=audio,        language="en",        prompt="Support call about AC-42"    )# After (GPT-Transcribe)with open("meeting.wav", "rb") as audio:    result = client.audio.transcriptions.create(        model="gpt-transcribe",        file=audio,        prompt="A customer support call about billing",        extra_body={            "keywords": ["AC-42", "Premium Plus"],            "languages": ["en", "fr"]        },        response_format="json"  # or stream=True for deltas    )

Тірі көшіру ескертпелері:

• Сол Realtime сессия / WebSocket архитектурасын сақтаңыз.
• Модель ID-ін өзгертіңіз және жекеше language-ты languages массивіне ауыстырыңыз.
• Қосымша prompt, keywords және delay (мысалы, "low") қосыңыз.
• Сол delta/completed оқиғаларын өңдеуді жалғастырыңыз.
• Екеуін бірге жібермеңіз: language және languages.

Көшіру кезіндегі маңызды ескертпелер:

• GPT-Transcribe/GPT-Live-Transcribe сөз деңгейіндегі уақыт белгілерін, SRT/VTT немесе ағылшын тіліне аударуды whisper-1-дегідей қолдамайды. Осы нақты қажеттіліктер үшін Whisper-ді сақтаңыз.
• Жауап форматтары әртүрлі — text, verbose_json, srt немесе vtt бірдей жұмыс істейді деп жорамалдамаңыз.
• Keywords бір жолдық литералдар болуы тиіс (құрамында <, >, CR немесе LF жоқ), әйтпесе сұраныс қабылданбайды.
• Тек жарияланған WER сандарына сүйенбей, өндірістік аудиоға өкілді (акценттер, шу, домен терминдері, қысқа репликалар) тест жасаңыз.

Жылдам ұсыныс

• Жаңа жұмыстар үшін әдепкі: файлдар/пакеттерге GPT-Transcribe, тірі стримингке GPT-Live-Transcribe.
• Бар Whisper немесе GPT-4o-Transcribe интеграциялары жұмыс істей береді, бірақ енді бастапқы нүкте ретінде ұсынылмайды.
• Құнға сезімтал пакет жұмыстары GPT-Transcribe-ке ауысудан ең көп пайда көреді ($0.0045 vs $0.006).

Ең соңғы мәліметтер үшін ресми модель беттерін және OpenAI әзірлеуші сайтындағы транскрипцияға шолу нұсқаулығын тексеріңіз.

Бұл екі модельді өндірістік аудиода қалай бағалау керек?

Демонстрациялық таза клиптермен ғана емес, өнімді білдіретін лицензияланған аудионы пайдаланыңыз.

1. Негізгі қолданыс жағдайлары, тілдер, құрылғылар және аудио шарттары бойынша кемінде 50 жазбаны таңдаңыз.
2. Акценттер, кідірістер, фондық шу, код-ауысу, сандар, күндер, валюта, email мекенжайлары және домен сөздігін қосыңыз.
3. Дайын жазбаларды gpt-transcribe арқылы контекст ишараларымен және онсыз іске қосыңыз.
4. Сол тірі үлгілерді gpt-live-transcribe арқылы үш түрлі delay баптауымен қайта ойнатыңыз.
5. Форматтарды, кезек шекараларын, prompt-тарды және бағалау ережелерін барлық іске қосударда бірдей ұстаңыз.
6. Транскрипция қате деңгейін, домен терминдерін тану, ішінара мәтін түзетулері, p50 және p95 кідірісін, сәтсіздіктер мен қайта әрекеттерді және адам түзету уақытын өлшеңіз.
7. Қабылданған транскрипт үшін құнды есептеңіз, содан соң таңдалған маршрутизация саясатын толық көшіруден бұрын canary режимінде сынаңыз.

Соңғы дизайн бір немесе екі модельді де пайдалана алады. Шешуші метрика — тек минутына жарияланған баға емес, қабылданған өндірістік транскрипттің құны мен сенімділігі.

Жиі қойылатын сұрақтар

Қай модельді қолдану керек: GPT-Transcribe немесе GPT-Live-Transcribe?

Асинхронды жұмыстар мен аяқталған жазбалар үшін gpt-transcribe қолданыңыз. Аудио әлі стриминг болып жатқанда мәтін келуі керек болса, gpt-live-transcribe қолданыңыз.

GPT-Transcribe және GPT-Live-Transcribe қанша тұрады?

OpenAI gpt-transcribe үшін аудио минутына $0.0045 ($0.27 сағатына), ал gpt-live-transcribe үшін минутына $0.017 ($1.02 сағатына) деп көрсетеді.

GPT-Live-Transcribe GPT-Realtime-Whisper-ден дәлірек пе?

OpenAI-дың тоғыз тілдегі Real-World Audio Recording бенчмаркінде хабарланған транскрипция қате деңгейі 11.65%-дан 9.60%-ға төмендеді. Бұл нақты бенчмарк нәтижесін өз аудиоңызда растаңыз.

GPT-Live-Transcribe диаризацияны немесе сөз уақыт белгілерін қолдай ма?

Жоқ. Ол спикер жапсырмаларын, сөз деңгейіндегі уақыт белгілерін немесе сенім ұпайларын қайтармайды. Бұл өрістер қажет болғанда, үйлесімді файл моделін немесе резервтік қадамды қолданыңыз.

GPT-Realtime-Whisper-ден көшу тек модельді ауыстыру ма?

Жоқ. Сессия конфигурациясын, тіл өрістерін, контекст кірістерін, кідіріс баптауларын, оқиға ретін, функция тәуелділіктерін, кідіріс пен шығыс сапасын өндірістік трафикті ауыстырмас бұрын растаңыз.

CometAPI көмегімен транскрипция маршруттарын сынаңыз

Іске асыруға дейін ағымдағы модель қолжетімділігін және маршрут бағаларын CometAPI бағалар парағынан тексеріңіз және OpenAI-ға үйлесімді сұраныс үлгілері үшін CometAPI құжаттамасын пайдаланыңыз. Тесттерде нақты модель ID-терін бекітіп, аудио ұзақтығын, delay деңгейін, first-delta кідірісін, соңғы транскрипт кідірісін, қайта әрекеттерді және қабылданған транскрипт үлесін тіркеп отырыңыз, осылайша маршрутизация шешімі толық жұмыс ағыны құнын бейнелейді.