Choose your path
比較 GPT-Transcribe 與 GPT-Live-Transcribe 的定價、延遲、API 工作流程、上下文控制、限制與遷移步驟。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)對已完成錄音使用 gpt-transcribe，費率為每音訊分鐘 $0.0045；對麥克風、通話或直播媒體串流使用 gpt-live-transcribe，費率為每分鐘 $0.017。OpenAI 在已發布的基準上報告，新的即時模型相較於 GPT-Realtime-Whisper 的轉寫錯誤更低，但選擇取決於文字需要出現的時間點、所需輸出欄位，以及兩種模型在你的生產音訊上的實測表現。
若你只需要在音訊錄製完成後取得轉寫，請使用 gpt-transcribe。若你的應用需要在音訊仍持續輸入時即出現文字，請使用 gpt-live-transcribe。最大的差別不只是價格，還包括轉寫開始的時機與你的應用需要支援的 API 工作流程類型。
| 項目 | gpt-transcribe | gpt-live-transcribe |
|---|
| 最適用於 | 已上傳錄音、有界音訊請求、非同步任務、以及已提交的 Realtime 輪次 | 麥克風、通話、會議與直播媒體串流 |
| 公開價格 | 每音訊分鐘 $0.0045 | 每音訊分鐘 $0.017 |
| 每音訊小時價格 | $0.27 | $1.02 |
| API / 端點 | /v1/audio/transcriptions；可選的已提交輪次 Realtime 工作流程 | Realtime 轉寫工作階段（v1/realtime/transcription_sessions 或類似） |
| 連線方式 | 檔案上傳；處理檔案期間可選擇串流回傳 | 伺服器管線用 WebSocket；瀏覽器音訊用 WebRTC |
| 轉寫開始時間 | 在提交檔案或提交一個音訊輪次之後 | 在音訊持續到達時 |
| 部分轉寫輸出 | 是，透過檔案串流或已提交輪次串流 | 是，隨著即時語音到達 |
| 情境控制 | prompt、keywords、languages | prompt、keywords、languages、delay |
| 偵測語言輸出 | 是，當模型可做出可靠預測時 | 否 |
| 重要限制 | 25 MB 上傳限制；需要其他路徑才能取得時間戳、分軌說話人或翻譯 | 無字詞級時間戳、說話人標籤或信心分數 |
雖然 gpt-transcribe 能在處理已完成檔案或已提交的音訊輪次時回傳部分轉寫更新，但它並非持續的即時串流路徑。對於即時字幕、通話或麥克風輸入，gpt-live-transcribe 是更好的選擇。
若想更廣泛比較不同供應商，請參見 CometAPI 的《2026 年 6 款最佳語音轉文字 API》。
OpenAI 在 2026 年 7 月 29 日推出 gpt-transcribe 與 gpt-live-transcribe。gpt-transcribe 處理已完成錄音、串流的檔案轉寫與已提交的 Realtime 輪次；gpt-live-transcribe 則在音訊從麥克風、通話或直播媒體串流到達時，回傳低延遲的轉寫更新。
這兩種模型提供一般檔案與即時轉寫的新預設路徑，但對於時間戳、翻譯、字幕與說話人分離等專門需求，仍需要使用 Whisper 與 GPT-4o 的特化轉寫工作流程。
OpenAI 的 API 定價頁列出 gpt-transcribe 每分鐘 $0.0045，gpt-live-transcribe 每分鐘 $0.017。因此即時路徑每音訊分鐘約貴 3.8 倍。
| 每月音訊量 | gpt-transcribe | gpt-live-transcribe | 額外即時成本 |
|---|---|---|---|
| 100 小時 | $27 | $102 | $75 |
| 1,000 小時 | $270 | $1,020 | $750 |
| 10,000 小時 | $2,700 | $10,200 | $7,500 |
上述轉寫成本僅採用 OpenAI 公開的基礎費率：音訊小時 × 60 × 每分鐘價格。不包含儲存、網路傳輸、重試、應用託管、後處理、人工作業修正與備援供應商成本。
當產品需求包含即時字幕、智能助理、審核或即時互動時，選擇 gpt-live-transcribe。當只在會議、通話、訪談或媒體上傳完成後才需要轉寫時，選擇 gpt-transcribe。雙路徑架構可用即時轉寫優化使用者體驗，再用檔案轉寫處理通話後流程或回填。
OpenAI 目前將 GPT-Realtime-Whisper 與 gpt-live-transcribe 列為相同的每分鐘 $0.017 基礎費率。評估在這兩種即時路徑間遷移時，應著重於可接受轉寫的品質、延遲、事件處理與營運相容性，而非僅憑標示價格。
主要差異在於音訊進入系統的方式與轉寫事件開始的時間點。gpt-transcribe 接受已完成檔案或已提交的音訊輪次；gpt-live-transcribe 維持 Realtime 連線，並在音訊仍持續到達時發出轉寫更新。
對已完成錄音，將檔案送至 /v1/audio/transcriptions。OpenAI 的檔案轉寫指南接受大小上限 25 MB，格式為 mp3、mp4、mpeg、mpga、m4a、wav 或 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)
設定 stream=True 以在 OpenAI 處理已上傳錄音時接收轉寫差量事件。這能縮短看到文字的等待時間，但不會將檔案端點變成即時接收麥克風音訊的路徑。
建立一個 type: "transcription" 的 Realtime 工作階段，並選擇 gpt-live-transcribe。伺服器端媒體管線使用 WebSocket，瀏覽器音訊使用 WebRTC。
{
"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
}
}
}
}
使用 input_audio_buffer.append 附加音訊區塊。應用程式可透過 input_audio_buffer.commit 提交輪次，或設定伺服器端語音活動偵測。
Realtime 轉寫指南會透過 conversation.item.input_audio_transcription.delta 回傳增量文字，並在提交的項目完成後以 conversation.item.input_audio_transcription.completed 結束。不同輪次的完成事件不保證按照到達順序，因此請以 item_id 而非到達順序進行對齊。
gpt-transcribe 也可在 WebSocket 的 Realtime 轉寫工作階段中運行。轉寫會在提交一個音訊輪次之後開始，模型可使用較早輪次的轉寫作為上下文，且完成事件可包含偵測到的語言。
當基於輪次的串流或語言偵測比說話期間即時顯示文字更重要時，這種已提交輪次的路徑會很有用。它不應與 gpt-live-transcribe 的持續、較低延遲行為混淆。
兩種模型皆可接受能改善人名、數字、縮寫、產品術語、口音、多語音訊與語碼轉換識別的上下文。
| 控制項 | 目的 | 上線注意事項 |
|---|---|---|
| prompt | 描述錄音、說話者、領域或預期主題 | 過於特定的上下文可能導致轉寫偏誤 |
| keywords | 提供實名、縮寫、帳號格式或技術術語等字面提示 | 提示並非必然輸出；測試是否出現未說出的插入詞 |
| languages | 列出一個或多個預期的輸入語言 | 不支援或格式不正確的代碼會被拒絕 |
| delay | 在更早的即時增量與更多聲學上下文之間取捨 | 僅適用於 gpt-live-transcribe；須實測，勿假設固定毫秒 |
對於新模型，languages 取代舊的單一 language 欄位。請勿同時傳送兩者。每個 keyword 必須是一行文字，且不能包含 <、>、CR 或 LF；無效值會導致請求或工作階段更新被拒絕。
gpt-live-transcribe 支援 minimal、low、medium、high、xhigh 的 delay 設定。較低的設定偏好更早的部分文字，較高的設定會提供更多音訊上下文並可能提升轉寫品質。OpenAI 並未保證每個等級對應固定延遲，因此請在代表性的麥克風、編解碼器、網路、語言與工作階段長度上量測首個增量與最終轉寫的時間。
OpenAI 的發佈公告指出，gpt-live-transcribe 在兩項多語轉寫測試中優於 GPT-Realtime-Whisper-1。亦指出在 Context Aware ASR 評估中，自由形式的上下文可提升語意準確度。
| OpenAI 評估 | gpt-live-transcribe 結果 | 比較 | 回報變化 |
|---|---|---|---|
| Context Aware ASR 語意準確度 | 44.6%，含自由形式上下文 | 38.5%，不含上下文 | +6.1 個百分點 |
| Common Voice，22 種語言，轉寫錯誤率 | 19.70% | GPT-Realtime-Whisper-1 為 20.33% | -0.63 個百分點；約 3.1% 相對改善 |
| Real-World Audio Recording，9 種語言，轉寫錯誤率 | 9.60% | GPT-Realtime-Whisper-1 為 11.65% | -2.05 個百分點；約 17.6% 相對改善 |
審慎的結論是：新的即時模型在 OpenAI 報告的測試中表現較佳，且上下文提高了所報告的語意準確度。這些供應商回報的結果並不保證對所有語言、電信編解碼器、麥克風、delay 設定、領域詞彙或校正策略均有相同提升。
這兩個新模型並非取代所有語音轉文字工作流程。
| 需求 | 建議路徑 |
|---|---|
| 一般已完成檔案轉寫 | gpt-transcribe |
| 低延遲即時字幕或通話轉寫 | gpt-live-transcribe |
| 已完成錄音的說話人標籤 | gpt-4o-transcribe-diarize 搭配 diarized_json |
| 字詞或片段時間戳 | whisper-1 搭配 timestamp_granularities[] |
| 將非英語已完成音訊翻譯為英語 | 使用 /v1/audio/translations 與 whisper-1 |
對於分離說話人，OpenAI 需要使用檔案 Transcriptions API；Realtime 轉寫工作階段不支援說話人標籤。對於長於 30 秒的錄音，請將 chunking_strategy 設為 "auto" 或使用語音活動偵測設定。
若需時間戳、字幕、翻譯或沿用現有 Whisper 工作流程，請參考 CometAPI 的 Whisper API 指南與 Whisper-1 模型頁面。評估另一個 OpenAI 檔案轉寫路徑的團隊也可參考 GPT-4o Transcribe 模型頁。
更換模型 ID 只是第一步。在切換生產流量前，請驗證整個工作流程。
| 檢查項目 | 必要動作 | 若略過之風險 |
|---|---|---|
| 路徑選擇 | 將已完成錄音與真正的即時工作負載分流 | 對非同步任務支付即時費率 |
| 語言欄位 | 在新模型中以 languages 取代 language；切勿同時傳送 | 請求或工作階段被拒絕 |
| 情境提示 | 在人名、數字、術語與噪音語音上測試 prompts 與 keywords | 產生偏誤或插入未說出的詞 |
| Delay 設定 | 在具代表性的音訊上至少比較 low、medium、high | 未經數據就取捨速度或準確度 |
| 事件處理 | 以 item_id 對齊差量與完成事件 | 轉寫亂序或互相覆蓋 |
| 功能對齊 | 盤點對分離說話人、時間戳、信心分數、字幕與翻譯的依賴 | 下游缺失必要欄位 |
| 成本遙測 | 記錄音訊分鐘、重試、失敗、修正時間與可接受輸出 | 混淆標示價格與實際工作流程成本 |
| 發布策略 | 影子測試、金絲雀小流量、並保留回退機制 | 缺乏快速回退的廣泛回歸 |
針對 GPT-Realtime-Whisper 的遷移，請保持音訊格式、輪次偵測策略、測試集與延遲目標不變。由於公布的即時價格未變，請優先關注可接受轉寫率、延遲分佈、輸出穩定性與與其餘管線的相容性。
OpenAI 提供官方範例手冊：從 Whisper 遷移至 GPT-Transcribe 與 GPT-Live-Transcribe。
高階規則：
最小檔案遷移範例（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 )
即時遷移注意事項：
遷移重要注意事項：
最新詳情請查閱官方模型頁與 OpenAI 開發者網站上的轉寫總覽指南。
請使用具授權且能代表產品實況的音訊，而非僅使用乾淨的示範片段。
gpt-transcribe 對已完成錄音進行測試（含上下文與不含上下文）。gpt-live-transcribe 上重播相同的即時樣本。最終設計可只用其中一種模型，或兩者並用。決策指標應是可接受的生產轉寫的成本與可靠度，而非孤立的每分鐘標示價格。
對已完成錄音與非同步任務使用 gpt-transcribe。當文字必須在音訊仍在串流時到達，請使用 gpt-live-transcribe。
OpenAI 列出 gpt-transcribe 每音訊分鐘 $0.0045（每小時 $0.27），gpt-live-transcribe 每分鐘 $0.017（每小時 $1.02）。
在 OpenAI 的九語 Real-World Audio Recording 基準上，回報的轉寫錯誤率由 11.65% 下降至 9.60%。請在你的音訊上驗證此基準特定的結果。
否。不回傳說話人標籤、字詞級時間戳或信心分數。當需要這些欄位時，請使用相容的檔案模型或備援步驟。
否。在移轉生產流量前，請驗證工作階段設定、語言欄位、上下文輸入、delay 設定、事件排序、功能相依、延遲與輸出品質。
在實作前，請於 CometAPI 定價頁確認最新的模型可用性與路徑價格，並使用 CometAPI 文件參考相容 OpenAI 的請求樣式。在測試中鎖定精確的模型 ID，並記錄音訊時長、delay 等級、首個增量延遲、最終轉寫延遲、重試次數與可接受轉寫率，讓路由決策反映完整工作流程成本。