GPT-Transcribe vs GPT-Live-Transcribe: ราคา ความแตกต่างของ API และการย้ายระบบ

TL;DR

ใช้ gpt-transcribe สำหรับไฟล์บันทึกที่เสร็จสมบูรณ์ในอัตรา $0.0045 ต่อนาทีเสียง และใช้ gpt-live-transcribe สำหรับไมโครโฟน สายโทร หรือสตรีมมีเดียแบบไลฟ์ในอัตรา $0.017 ต่อนาที OpenAI รายงานว่าโมเดลแบบไลฟ์มีอัตราความผิดพลาดในการถอดความต่ำกว่า GPT-Realtime-Whisper บนชุดตัวชี้วัดที่เผยแพร่ แต่ตัวเลือกที่เหมาะสมขึ้นอยู่กับว่าเมื่อใดที่ต้องแสดงข้อความ ฟิลด์เอาต์พุตที่ต้องการ และประสิทธิภาพของทั้งสองโมเดลกับเสียงในงานจริงของคุณ

GPT-Transcribe vs GPT-Live-Transcribe โดยสรุป

หากต้องการถอดความหลังจากบันทึกเสียงเสร็จ ให้ใช้ gpt-transcribe หากแอประบบต้องการข้อความขณะเสียงยังคงถูกส่งเข้ามา ให้ใช้ gpt-live-transcribe ความแตกต่างที่สำคัญไม่ใช่แค่ราคา แต่รวมถึงช่วงเวลาที่เริ่มถอดความ และประเภทเวิร์กโฟลว์ API ที่แอปของคุณต้องรองรับ

แม้ว่า gpt-transcribe จะสามารถส่งอัปเดตถอดความบางส่วนระหว่างประมวลผลไฟล์ที่เสร็จสมบูรณ์หรือเทิร์นเสียงที่ commit แล้วได้ แต่ก็ไม่ใช่เส้นทางสตรีมแบบไลฟ์อย่างต่อเนื่อง สำหรับคำบรรยายสด การโทร หรืออินพุตไมโครโฟน gpt-live-transcribe เหมาะสมกว่า

สำหรับการเปรียบเทียบภาพรวมข้ามผู้ให้บริการ ดู CometAPI’s 6 API แปลงคำพูดเป็นข้อความที่ดีที่สุดในปี 2026

GPT-Transcribe และ GPT-Live-Transcribe คืออะไร?

OpenAI เปิดตัว gpt-transcribe และ gpt-live-transcribe เมื่อวันที่ 29 กรกฎาคม 2026 gpt-transcribe ประมวลผลไฟล์บันทึกที่เสร็จสมบูรณ์ การถอดความไฟล์ด้วยการสตรีม และเทิร์นแบบ Realtime ที่ commit แล้ว ในขณะที่ gpt-live-transcribe ส่งคืนอัปเดตถอดความแบบหน่วงต่ำขณะเสียงเข้ามาจากไมโครโฟน การโทร หรือสตรีมมีเดียแบบไลฟ์

ทั้งสองโมเดลเป็นเส้นทางเริ่มต้นใหม่สำหรับการถอดความไฟล์ทั่วไปและการถอดความแบบไลฟ์ แต่เวิร์กโฟลว์เฉพาะทางของ Whisper และ GPT-4o สำหรับ timestamps การแปล คำบรรยาย และการแยกผู้พูด ยังคงจำเป็น

เมื่อใดที่ GPT-Live-Transcribe คุ้มกับราคาที่สูงกว่า?

หน้า API pricing ของ OpenAI ระบุ gpt-transcribe ที่ $0.0045 ต่อนาที และ gpt-live-transcribe ที่ $0.017 ต่อนาที เส้นทางไลฟ์จึงมีค่าใช้จ่ายประมาณ 3.8 เท่า ต่อหนึ่งนาทีเสียง

ประมาณการต้นทุนการถอดความเหล่านี้ใช้เพียงอัตราฐานที่เผยแพร่ของ OpenAI เท่านั้น: ชั่วโมงเสียง × 60 × ราคา/นาที ไม่รวมค่าจัดเก็บข้อมู, ลำเลียงเครือข่าย, การลองใหม่, โฮสต์แอป, การประมวลผลภายหลัง, การแก้ไขโดยมนุษย์ และต้นทุนผู้ให้บริการสำรอง

เลือก gpt-live-transcribe เมื่อคำบรรยายทันที ผู้ช่วยเอเจนต์ การกลั่นกรอง หรือปฏิสัมพันธ์แบบเรียลไทม์เป็นข้อกำหนดของผลิตภัณฑ์ เลือก gpt-transcribe เมื่อจำเป็นต้องใช้ถอดความหลังจากการประชุม การโทร สัมภาษณ์ หรือการอัปโหลดมีเดียเสร็จสมบูรณ์ สถาปัตยกรรมสองเส้นทางสามารถใช้การถอดความแบบไลฟ์เพื่อประสบการณ์ผู้ใช้ และการถอดความไฟล์สำหรับการประมวลผลหลังการโทรหรือการเติมย้อนหลัง

ปัจจุบัน OpenAI ระบุราคา GPT-Realtime-Whisper และ gpt-live-transcribe เท่ากันที่ $0.017 ต่อหนึ่งนาทีเสียง ประเมินการย้ายระหว่างเส้นทางไลฟ์เหล่านี้จากคุณภาพถอดความที่ยอมรับ, ความหน่วง, การจัดการเหตุการณ์, และความเข้ากันได้ด้านปฏิบัติการ มากกว่าราคาในรายการเพียงอย่างเดียว

API ของ GPT-Transcribe และ GPT-Live-Transcribe ต่างกันอย่างไร?

ความแตกต่างหลักคือวิธีที่เสียงเข้าสู่ระบบและจุดเริ่มต้นของเหตุการณ์ถอดความ gpt-transcribe รับไฟล์ที่เสร็จสมบูรณ์หรือเทิร์นเสียงที่ commit แล้ว ในขณะที่ gpt-live-transcribe รักษาการเชื่อมต่อ Realtime และส่งอัปเดตถอดความขณะเสียงยังคงเข้ามา

ใช้ GPT-Transcribe สำหรับเสียงที่เสร็จสมบูรณ์

สำหรับไฟล์บันทึกที่เสร็จสมบูรณ์ ให้ส่งไฟล์ไปยัง /v1/audio/transcriptions คู่มือ file transcription ของ OpenAI รองรับไฟล์ขนาดไม่เกิน 25 MB ในรูปแบบ mp3, mp4, mpeg, mpga, m4a, wav หรือ webm

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)

ตั้งค่า stream=True เพื่อรับเหตุการณ์ delta ของถอดความระหว่างที่ OpenAI ประมวลผลไฟล์ที่อัปโหลด วิธีนี้ช่วยลดเวลารอข้อความที่มองเห็นได้ แต่ไม่ได้เปลี่ยน endpoint ของไฟล์ให้กลายเป็นการรับไมโครโฟนแบบไลฟ์

ใช้ GPT-Live-Transcribe สำหรับเสียงที่กำลังเข้ามา

สร้างเซสชัน Realtime ด้วย type: "transcription" และเลือก gpt-live-transcribe ใช้ WebSocket สำหรับไปป์ไลน์ฝั่งเซิร์ฟเวอร์หรือ WebRTC สำหรับเสียงจากเบราว์เซอร์

{
  "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
      }
    }
  }
}

ผนวกชิ้นส่วนเสียงด้วย input_audio_buffer.append แอปพลิเคชันสามารถ commit เทิร์นด้วย input_audio_buffer.commit หรือกำหนดค่า voice activity detection ฝั่งเซิร์ฟเวอร์

Realtime transcription guide จะส่งข้อความแบบเพิ่มทีละส่วนผ่าน conversation.item.input_audio_transcription.delta ตามด้วย conversation.item.input_audio_transcription.completed สำหรับรายการที่ commit แล้ว เหตุการณ์เสร็จสิ้นจากเทิร์นต่าง ๆ ไม่จำเป็นต้องมาถึงตามลำดับ ดังนั้นให้ปรับแต่งตาม item_id แทนการอาศัยลำดับการมาถึง

ใช้เส้นทาง committed-turn เมื่อไม่จำเป็นต้องมีข้อความทันที

gpt-transcribe สามารถทำงานในเซสชันถอดความแบบ Realtime ผ่าน WebSocket ได้เช่นกัน การถอดความจะเริ่มหลังจาก commit เทิร์นเสียง โมเดลสามารถใช้เทิร์นก่อนหน้าที่ถอดความแล้วเป็นบริบท และเหตุการณ์เสร็จสิ้นอาจมีภาษาที่ตรวจพบ

เส้นทาง committed-turn มีประโยชน์เมื่อการสตรีมแบบยึดตามเทิร์นหรือการตรวจจับภาษามีความสำคัญมากกว่าการแสดงข้อความขณะที่ผู้พูดยังพูดอยู่ อย่าสับสนกับพฤติกรรมสตรีมต่อเนื่อง หน่วงต่ำของ gpt-live-transcribe

Prompts, Keywords, Languages และ Delay ส่งผลต่อการถอดความอย่างไร?

ทั้งสองโมเดลรับบริบทที่ช่วยให้รู้จำชื่อ ตัวเลข ตัวย่อ คำศัพท์ผลิตภัณฑ์ สำเนียง เสียงหลายภาษา และการสลับภาษาได้ดีขึ้น

สำหรับโมเดลใหม่ languages มาแทนฟิลด์เดิม language ห้ามส่งทั้งสองอย่างพร้อมกัน คีย์เวิร์ดแต่ละรายการต้องอยู่บรรทัดเดียวและต้องไม่มีอักขระ <, > รวมถึง carriage return หรือ line feed; ค่าที่ไม่ถูกต้องจะทำให้คำขอหรือการอัปเดตเซสชันถูกปฏิเสธ

gpt-live-transcribe รองรับระดับ minimal, low, medium, high, และ xhigh ค่าที่ต่ำให้ข้อความบางส่วนเร็วกว่า ในขณะที่ค่าสูงให้บริบทเสียงมากขึ้นและอาจเพิ่มคุณภาพการถอดความ OpenAI ไม่รับประกัน latency คงที่สำหรับแต่ละระดับ ดังนั้นควรวัดเวลาถึง delta แรกและเวลาถึงถอดความสุดท้ายบนไมโครโฟน โค้เด็ก เครือข่าย ภาษา และความยาวเซสชันที่เป็นตัวแทนงานจริง

เกณฑ์ความแม่นยำของ OpenAI แสดงอะไร?

ประกาศเปิดตัวของ OpenAI (ลิงก์) รายงานว่า gpt-live-transcribe ทำได้ดีกว่า GPT-Realtime-Whisper-1 ในการทดสอบถอดความหลายภาษาสองชุด และรายงานว่าบริบทแบบอิสระช่วยปรับปรุงความแม่นยำเชิงความหมายในการประเมิน Context Aware ASR

ข้อสรุปที่สมเหตุสมผลมีขอบเขตจำกัด: โมเดลไลฟ์ใหม่ทำได้ดีกว่าบนการทดสอบที่ OpenAI รายงาน และบริบทช่วยปรับปรุงคะแนนความแม่นยำเชิงความหมาย ผลลัพธ์ที่ผู้ขายรายงานไม่ได้รับประกันการปรับปรุงเดียวกันสำหรับทุกภาษา โค้เด็กโทรศัพท์ ไมโครโฟน ระดับ delay คำศัพท์โดเมน หรือแนวนโยบายการแก้ไข

ควรใช้ Whisper หรือ GPT-4o Transcribe เมื่อใด?

ไม่มีโมเดลใหม่ตัวใดแทนที่ทุกเวิร์กโฟลว์สุนทรพจน์เป็นข้อความ

สำหรับการแยกผู้พูด OpenAI ต้องใช้ File Transcriptions API; ไม่รองรับการติดป้ายผู้พูดในเซสชันถอดความแบบ Realtime สำหรับไฟล์ที่ยาวเกิน 30 วินาที ให้กำหนดค่า chunking_strategy เป็น "auto" หรือใช้การกำหนดค่า voice-activity-detection

สำหรับ timestamps คำบรรยาย การแปล หรือเวิร์กโฟลว์ Whisper ที่มีอยู่ ดู Whisper API guide และ หน้ารุ่น Whisper-1 ทีมที่กำลังประเมินเส้นทางถอดความไฟล์ของ OpenAI อื่น ๆ สามารถดู หน้ารุ่น GPT-4o Transcribe

ควรย้ายจาก Whisper อย่างไร?

การเปลี่ยนเพียงรหัสรุ่นเป็นแค่ก้าวแรก ตรวจสอบทั้งเวิร์กโฟลว์ก่อนเปลี่ยนทราฟฟิกใช้งานจริง

สำหรับการย้ายจาก GPT-Realtime-Whisper ให้คงรูปแบบเสียง นโยบายตรวจจับเทิร์น ชุดทดสอบ และเป้าหมาย latency ให้เหมือนเดิม เนื่องจากราคาแบบไลฟ์ที่เผยแพร่ไม่เปลี่ยน แนะนำให้ให้ความสำคัญกับอัตราถอดความที่ยอมรับได้ การกระจาย latency ความเสถียรของเอาต์พุต และความเข้ากันได้กับส่วนอื่นของไปป์ไลน์

คู่มือการย้าย (จาก Whisper / รุ่นก่อนหน้า)

OpenAI มี cookbook อย่างเป็นทางการ: ย้ายจาก Whisper ไปยัง GPT-Transcribe และ GPT-Live-Transcribe

กฎระดับสูง:

1. เสียงที่บันทึก/แบบแบตช์ → เปลี่ยนเป็น gpt-transcribe บน endpoint /v1/audio/transcriptions เดิม
2. เสียงไหลต่อเนื่องแบบไลฟ์ → เปลี่ยนเป็น gpt-live-transcribe ในเซสชันถอดความแบบ Realtime
3. ต้องการความแม่นยำสูงขึ้นหลัง commit เทิร์น → ใช้ gpt-transcribe ภายในเซสชัน Realtime

ตัวอย่างการย้ายไฟล์แบบมินิมอล (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    )

บันทึกการย้ายแบบไลฟ์:

• ใช้สถาปัตยกรรมเซสชัน Realtime / WebSocket เดิม
• เปลี่ยนรหัสรุ่น และแทนที่ language แบบเอกพจน์ด้วยอาร์เรย์ languages
• เพิ่มตัวเลือก prompt, keywords และ delay (เช่น "low")
• ดำเนินการจัดการเหตุการณ์ delta/completed แบบเดิมต่อไป
• ห้ามส่งทั้ง language และ languages พร้อมกันโดยเด็ดขาด

ข้อควรระวังสำคัญเมื่อย้าย:

• GPT-Transcribe/GPT-Live-Transcribe ไม่รองรับ timestamps ระดับคำ, SRT/VTT หรือการแปลเป็นอังกฤษแบบเดียวกับ whisper-1 ให้ใช้ Whisper สำหรับความต้องการเฉพาะเหล่านี้
• รูปแบบการตอบกลับต่างกัน — อย่าคิดว่า text, verbose_json, srt หรือ vtt ทำงานเหมือนเดิม
• คีย์เวิร์ดต้องเป็นลิตเตอรัลบรรทัดเดียว (ห้ามมี <, >, CR, หรือ LF) ไม่เช่นนั้นคำขอจะถูกปฏิเสธ
• ทดสอบกับเสียงที่แทนสภาพการใช้งานจริง (สำเนียง เสียงรบกวน คำศัพท์โดเมน ถ้อยคำสั้น) แทนการพึ่งพาเพียงตัวเลข WER ที่เผยแพร่

ข้อแนะนำแบบรวดเร็ว

• ค่าเริ่มต้นสำหรับงานใหม่: GPT-Transcribe สำหรับไฟล์/แบตช์, GPT-Live-Transcribe สำหรับการสตรีมไลฟ์
• การผสานรวม Whisper หรือ GPT-4o-Transcribe ที่มีอยู่ยังคงใช้งานได้ แต่ไม่ใช่จุดเริ่มต้นที่แนะนำอีกต่อไป
• งานแบตช์ที่อ่อนไหวต่อค่าใช้จ่ายได้ประโยชน์มากที่สุดจากการเปลี่ยนเป็น GPT-Transcribe ($0.0045 เทียบกับ $0.006)

สำหรับรายละเอียดล่าสุด โปรดตรวจสอบหน้ารุ่นอย่างเป็นทางการและภาพรวมการถอดความบนไซต์นักพัฒนา OpenAI

ควรประเมินสองโมเดลบนเสียงงานจริงอย่างไร?

ใช้เสียงที่มีสิทธิ์ซึ่งแทนผลิตภัณฑ์ มากกว่าคลิปเดโมที่สะอาดเพียงอย่างเดียว

1. เลือกอย่างน้อย 50 ไฟล์บันทึกครอบคลุมกรณีใช้งานหลัก ภาษา อุปกรณ์ และสภาพเสียง
2. รวมสำเนียง การขัดจังหวะ เสียงพื้นหลัง การสลับภาษา ตัวเลข วันที่ สกุลเงิน อีเมล และคำศัพท์โดเมน
3. รันไฟล์ที่เสร็จสมบูรณ์ผ่าน gpt-transcribe ทั้งแบบมีและไม่มีบริบทช่วยเหลือ
4. เล่นเสียงไลฟ์ชุดเดียวกันผ่าน gpt-live-transcribe ที่สามระดับ delay
5. คงรูปแบบ ขอบเขตเทิร์น prompt และกฎการให้คะแนนให้สอดคล้องกันทุกรอบ
6. วัดข้อผิดพลาดการถอดความ การเรียกคืนคำโดเมน การแก้ไขข้อความบางส่วน ความหน่วง p50/p95 ความล้มเหลว การลองใหม่ และเวลาแก้ไขโดยมนุษย์
7. คำนวณ “ต้นทุนต่อถอดความที่ยอมรับได้” แล้วทำ canary นโยบายการกำหนดเส้นทางที่เลือกก่อนย้ายเต็มรูปแบบ

ผลลัพธ์สุดท้ายอาจใช้หนึ่งโมเดลหรือทั้งสอง โมเดล ตัวชี้วัดตัดสินใจควรเป็นต้นทุนและความน่าเชื่อถือของถอดความที่ยอมรับได้ในงานจริง ไม่ใช่ราคา/นาทีที่เผยแพร่โดยลำพัง

FAQ

ควรใช้รุ่นใด: GPT-Transcribe หรือ GPT-Live-Transcribe?

ใช้ gpt-transcribe สำหรับไฟล์ที่เสร็จสมบูรณ์และงานอะซิงโครนัส ใช้ gpt-live-transcribe เมื่อต้องการข้อความขณะเสียงยังคงสตรีมเข้ามา

GPT-Transcribe และ GPT-Live-Transcribe มีค่าใช้จ่ายเท่าไร?

OpenAI ระบุ gpt-transcribe ที่ $0.0045 ต่อนาทีเสียง ($0.27 ต่อชั่วโมง) และ gpt-live-transcribe ที่ $0.017 ต่อนาที ($1.02 ต่อชั่วโมง)

GPT-Live-Transcribe แม่นยำกว่า GPT-Realtime-Whisper หรือไม่?

บนชุดทดสอบ Real-World Audio Recording เก้าภาษา อัตราความผิดพลาดการถอดความที่รายงานลดลงจาก 11.65% เป็น 9.60% โปรดตรวจสอบผลเฉพาะชุดทดสอบนี้กับเสียงของคุณเอง

GPT-Live-Transcribe รองรับการแยกผู้พูดหรือ timestamps ระดับคำหรือไม่?

ไม่รองรับ ไม่คืนป้ายผู้พูด, timestamps ระดับคำ หรือคะแนนความมั่นใจ ใช้โมเดลไฟล์ที่รองรับหรือขั้นตอนสำรองเมื่อจำเป็นต้องใช้ฟิลด์เหล่านี้

การย้ายจาก GPT-Realtime-Whisper เป็นเพียงการเปลี่ยนรหัสรุ่นหรือไม่?

ไม่ใช่ ตรวจสอบการกำหนดค่าเซสชัน ฟิลด์ภาษา อินพุตบริบท การตั้งค่า delay ลำดับเหตุการณ์ การพึ่งพาคุณสมบัติ ความหน่วง และคุณภาพเอาต์พุตก่อนเลื่อนทราฟฟิกใช้งานจริง

ทดสอบเส้นทางการถอดความด้วย CometAPI

ก่อนลงมือพัฒนา ตรวจสอบความพร้อมใช้งานของรุ่นและราคาปัจจุบันบน หน้าราคา CometAPI และใช้ เอกสาร CometAPI สำหรับรูปแบบคำขอที่เข้ากันกับ OpenAI กำหนดรุ่นให้ตรงในชุดทดสอบ และบันทึกความยาวเสียง ระดับ delay ความหน่วงของ delta แรก ความหน่วงของถอดความสุดท้าย การลองใหม่ และอัตราถอดความที่ยอมรับได้ เพื่อให้การตัดสินใจเส้นทางสะท้อนต้นทุนเวิร์กโฟลว์ทั้งหมดอย่างแท้จริง