先看最硬的一组数字：错误率砍掉一半还多

OpenAI 放了六张图，两组模型、三个基准。先看文件转录这一组。图上标的指标是 WER，词错误率，越低越好。

Common Voice（22 种语言）上的文件转录组。whisper-1 的 40.37% 是全场最差。图：OpenAI

Real World Audio Recording（9 种语言）上的文件转录组。图：OpenAI

40.37% 是什么概念？大约每说五个词错两个。这份稿子拿到手基本得重听一遍才敢用。19.27% 也谈不上完美，但每五个词错一个，至少能当草稿改，这是「重做」和「改改」的区别。

8.98% 大约是每 11 个词错 1 个，whisper-1 的 15.21% 是每 6 到 7 个词错 1 个。两个都还没到「不用人校对」的程度，但校对这件活的性质变了：从对着录音重听一遍，变成扫一眼改几处。

实时那一组，差距要小得多

Common Voice 实时组：19.70% 对 20.33%。图：OpenAI

真实世界录音实时组：9.60% 对 11.65%。图：OpenAI

Common Voice 上，gpt-live-transcribe 19.70% 对 gpt-realtime-whisper 20.33%，差 0.63 个百分点。真实世界录音上是 9.60% 对 11.65%，差 2.05 个百分点。

比起文件转录那边动辄腰斩的幅度，实时这边的提升要克制得多。这也合理：实时转录的前任本来就没有 whisper-1 那么老的底子，起点高，能榨的空间就小。

真正的新东西：你可以先告诉它这段录音是关于什么的

以前的转录模型是蒙着眼睛听：不管你送进去什么音频，它都当第一次听，不知道这是客服电话还是医生问诊。你说「把这个订单号记一下，是 AC-42」，它听得见声音，却不知道这串音节是个订单号，也不知道你们公司的订单号长什么样，只能按读音硬猜一个写法（示意）。

新模型接三种上下文，都在发请求的时候一起送进去。

prompt 是一段自由文本，描述这段录音是什么场景。官方文档给的例子是「一通关于高级套餐和账号 AC-42 的客服电话」。文档特意提醒了一句：只写跟音频有关的背景，别在里面重复交代转录任务本身。

keywords 是一个词条列表，写你预期会听到的字面词，产品名、药名、缩写。这里有个容易踩的坑，官方把话说得很明白：

关键词是提示，不是必须出现的输出。只有音频里确实说了这个词，转录稿里才应该有它。

OpenAI 转录指南

所以你不能靠塞关键词把某个词「塞进」稿子里。你列了「阿司匹林」，但医生这段话里压根没提，它就不该出现。文档还建议你实测一下：加了关键词到底是提高了准确率，还是让没说过的词开始往外冒。

languages 是预期的语言列表。注意是复数，这个字段专门为「一段录音里混着好几种语言」设计的，官方文档里给的例子直接就是 ["en", "fr"]。它替代了老模型那个单数的 language 字段，而且两个不能一起发。

还有第四种上下文，不用你传：gpt-transcribe 在实时会话里干活时，会自动把前面已经转写出来的那几轮接着当上下文往下听，你不用手动把上一轮的稿子再喂一遍。

演示视频里，多语言这一项被演得很直观

官方推文带了段两分多钟的视频，两个模型各演一段。

前半段是实时演示：一个人对着笔记本说话，浏览器里跑着本地 demo 页面，右上角标着 gpt-live-transcribe，声音一进去字就往外冒。最有说服力的是中间那一下，他说着英文，中途切成西班牙语说了三句，再切回英文，同一个会话里没做任何手动切换，转录稿就跟着换语言往下走。屏幕上留下的那段稿子英西混排，看得清清楚楚。

后半段换到同一个 demo 的 Offline 标签，右上角标 gpt-transcribe，喂进去一个 25 分钟、23.2 MB 的会议录音文件，等一份完整稿子。

语言码得按格式写，写错整个请求被拒

这是个实操细节，写错了会白白浪费一次调试。文档列了三类可用写法：ISO 639-1 两位码（en、es、fr）、部分 ISO 639-3 三位码（eng、spa、yue 粤语、cmn 普通话），以及中文地区码（zh-cn、zh-tw、zh-hk）。文档用的是「包括」而不是「仅限」，所以这三类是举例，不是完整清单。

不在支持范围里的、或者格式写错的语言码，API 会拒掉，不是静默忽略。

同样的提示喂给老模型，准确率原地不动

上面讲的三件套听起来很合理：多给模型一点背景，它当然该听得更准。那么一个自然的问题是，这需要新模型吗？给老模型也塞一段 prompt，是不是也能涨？

OpenAI 为这件事专门建了个基准叫 Context Aware ASR Benchmark，衡量语义准确率（越高越好），把每个模型都跑了两遍：一遍不给背景信息，一遍给。按推文的说法，这里给的是自由格式的那段场景描述。五个模型的两遍成绩分散画在两张图上，下面这张是本站把它们并到一起重排的。

先说一处缺席：whisper-1 不在这五个里。这篇从标题到价格一直拿它当参照物，唯独这道题它没参加。文档里能查到的相关事实是，whisper-1 的 prompt 有 224 个 token 的长度上限，也不支持 keywords 和复数的 languages 字段。至于它为什么没进这张图，OpenAI 没有说明。

文件转录组原图：gpt-transcribe 41.6% → 45.2%，两个老模型基本没动。图：OpenAI

实时组原图：gpt-live-transcribe 涨 6.1 个点，gpt-realtime-whisper 反而从 32.4% 降到 32.2%。图：OpenAI

但这张图还有另一面

全场表现最好的 gpt-transcribe 是 45.2%。这个分数听着离及格还远，但它到底代表什么，外人其实算不出来：这是个 OpenAI 自己出题、自己应考、自己判卷的新基准，数据集没公开，怎么构造的没说，「语义准确率」具体怎么算也没说。题目有多难，外面看不到。

所以这张图只支持一个结论：在这类难题上，新模型比老模型强得多。它撑不起「上下文这个问题解决了」，也撑不起「45.2 分说明一半以上都做错了」，后面这两种读法都是拿一把没有刻度的尺子去量绝对长度。

便宜了，而且是大幅下降

模型发布通常是这个剧本：更强，但更贵，你自己权衡。这次不是。

gpt-transcribe 每分钟 $0.0045。它要取代的 whisper-1 是 $0.006，中间那代 gpt-4o-transcribe 也是 $0.006。比老的便宜 25%，真实录音上的错误率还砍掉了四成，两边同时往好的方向走，这在模型发布里不常见。

实时那边是另一种情况：gpt-live-transcribe 每分钟 $0.017，和它取代的 gpt-realtime-whisper 一模一样。价格没动，准确率往上走了一点。

表里还有个值得算一笔的：gpt-4o-mini-transcribe 每分钟 $0.003，账面上仍然是最便宜的。但它在真实世界录音上的词错误率是 15.46%，比 gpt-transcribe 的 8.98% 高出七成。

这笔账得看你的返工成本。转一小时录音，两者差价是 $0.09，六毛多人民币（按每分钟差 $0.0015、六十分钟算，示意）。如果这一小时的稿子里多出来的错误要人去听一遍改，六毛钱显然不值。如果是海量音频做粗筛、错了也不影响用途，那 mini 依然合理。

还有一处口径要留神：定价页那一列的表头写的是「估算成本」。gpt-transcribe、gpt-live-transcribe 和 whisper-1 是纯按音频分钟数收费，每分钟多少就是多少；gpt-4o-transcribe 和 gpt-4o-mini-transcribe 走的是按 token 计费，$0.006 和 $0.003 只是折算给你看的估算值，实际账单还要看输入输出的 token 量。拿它俩跟新模型比单价，比的不是同一种东西。

实时那个模型，延迟是可以拧的

gpt-live-transcribe 有个 delay 参数，五档。模型多听一会儿再吐字，拿到的上下文更全，错得更少；急着吐字，就得靠猜。

官方表述是：具体延迟多少毫秒会随模型配置变化，别假设某一档就等于某个固定时延，拿你自己的真实音频去测。

值得留意的是，整篇文档里一个具体的毫秒数都没有。gpt-live-transcribe 的核心卖点是「低延迟」，但这个「低」到底是多低，发布材料里没给可验证的数字，只给了五个档位名。

做实时字幕之前，先想清楚这件事

实时转录是一小截一小截往外吐的，不用等你说完整句，每一小截官方叫它一个 delta。麻烦在于，后吐出来的那截会回头改掉前面已经显示的字。

举个例子（示意）。你对着麦克风说「帮我订一张去上海的机票，航班号 CA1501」：

于是屏幕上已经写出来的「差一五零一」五个字，当着用户的面变成了 CA1501。这不是出错，恰恰是模型在自我纠正，但用户看到的就是字自己动了。

难题在这儿：字被改写的那一瞬间，界面该怎么呈现？直接替换，用户会看见文字在跳，正在读的那行突然变了样；把还没定的部分用浅色标出来，用户知道这段还会变，可整页会一直在闪；等这句彻底定了再显示，实时字幕就不实时了。三条路各有代价，得你自己挑一条。

官方把这一条写进了生产清单。它跟模型准不准无关，纯粹是交互设计问题，而且模型再准也不会消失，只要还是边听边出字，就一定有猜了又改的时刻。

同一份清单里还有一条容易漏：模型报「这一句说完了」的通知，到达顺序没有保证。两个人先后说完，通知未必按这个先后到你手里，得靠每条通知带的 item_id 去认领和排序，不能按收到的先后直接往下拼。

它不干什么，这段可能比上面所有跑分都值钱

下面这些限制全部出自 OpenAI 自己的文档。跑分好看不等于能直接换上，先看清楚你现在依赖的功能它还有没有。

这张表里 whisper-1 出现了三次。通用转录这条路上它让了位，但在时间戳、字幕格式、翻译成英文这三件事上，文档到今天还在推荐它，没有给出替代品。官方的弃用页面上也查不到它的下线时间表，所以「whisper-1 被淘汰了」这个说法没有依据，它只是不再是通用转录的首选。

如果你现在用 whisper-1 只是为了拿一份文字稿，那这次迁移的理由很充分：更准、更便宜。如果你在用它做视频字幕，那暂时哪儿也去不了。

还有几条会直接把请求打回来的硬规矩

文件最大 25 MB，支持 mp3、mp4、mpeg、mpga、m4a、wav、webm 七种格式。超了得自己切，官方特意提醒别从句子中间切，切掉上下文会掉准确率。

keywords 每条必须写在一行里，不能含 <、>、回车、换行。违反一条，整个请求被拒，不是忽略掉那一条继续跑。prompt 超过模型的长度上限同样是整个请求被拒。

复数的 languages 和老的单数 language 不能一起发，前面讲三件套时提过一次，这里再点一下，因为它是迁移老代码时最容易漏掉的一处。

官方怎么建议你测

文档里有一整节专门讲怎么测试。这套测法不挑厂商，换成任何一家的语音转文字模型都成立，所以它是这份文档里最能直接拿走的部分。

第一条是别只用干净样本测。要用真实麦克风录、用电话音质录，带上口音、带上背景噪音、带上语码转换和领域术语，再测一遍长会话。测试集里要塞进数字、日期、货币金额、邮箱地址、产品名，这些正是转录模型最容易翻车、而人最容易发现错误的地方。

第二条更值钱：别只盯着词错误率。文档给的例子是，医疗场景就去测药名转得对不对，客服场景就去测订单号转得对不对。

第三条是把三类故障单独统计：空转录（一个字都没出）、截断的转录（说到一半没了）、延迟的转录（迟迟不出）。这三种在词错误率里体现得很不充分，但在真实产品里是最招用户投诉的。

最后，做实时的还要额外定两件事：先定好你能接受的延迟和准确率目标再去调 delay，别边调边改标准；以及每一种目标语言都单独测一遍，不要靠一种语言的成绩推断其他语言。

衡量的指标是词错误率：把机器转出来的稿子和正确稿子逐词比对，每 100 个词里错几个，听错的、漏掉的、凭空多出来的都算，越低越好。

8.98% 大约每 11 个词错 1 个，15.21% 是每 6 到 7 个词错 1 个。校对这件活的性质变了：从对着录音重听一遍，变成扫一眼改几处。更准同时更便宜，在模型发布里不常见。两组跑分均为 OpenAI 自测，第三方尚未复现。

同一张图上还有一件推文没提的事：中间那代 gpt-4o-transcribe 在真实录音上是 22.21%，比它本该超越的 whisper-1 还差。「一代比一代强」这个直觉在这条线上不成立。

以前的转录模型是蒙着眼睛听：不知道这是客服电话还是医生问诊，听到一串字母加数字，只能按读音硬猜一个写法。新模型在发请求的时候，可以把三样东西一起带进去。

keywords 只是提示：音频里没说过的词，它不该出现在稿子里，你没法靠塞词把某个词塞进稿子。languages 是复数，专门给一段录音里混着说好几种语言的场景用，中途换语言不用手动切。

那么这需要新模型吗？给老模型也塞一段同样的背景，是不是也能涨？OpenAI 把五个模型各跑了两遍，一遍不给背景，一遍给。

另一面也得说清楚：全场最好也才 45.2%。这是 OpenAI 自己出题、自己应考、自己判卷的新基准，数据集和评分方法都没公开，题目有多难外面看不到。所以这张图只撑得起「新模型比老模型强得多」这一个结论。

跑分好看不等于能直接换上。下面这些限制全部出自 OpenAI 自己的文档。