OpenAI 昨日(3 月 20 日)發布博文，宣布推出語音轉文本(speech-to-text)和文本轉語音(text-to-speech)模型，提升語音處理能力，支持開發者構建更精準、可定制的語音交互系統，進一步推動人工智能語音技術的商業化應用。

　　在語音轉文本模型上，OpenAI 主要推出了 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 兩個模型，官方表示在單詞錯誤率(WER)、語言識別和準確性上超越現有 Whisper 系列。

　　這兩個模型支持超 100 種語言，主要通過強化學習和多樣化高質量音頻數據集訓練，能捕捉細微語音特征，減少誤識別，尤其在嘈雜環境、口音及不同語速下表現更穩定。

　　在文本轉語音上，OpenAI 最新推出了 gpt-4o-mini-tts 模型，開發者通過“模擬耐心客服”或“生動故事敘述”等指令，控制語音風格，可以應用于客服(合成更具同理心的語音，提升用戶體驗)和創意內容(為有聲書或游戲角色設計個性化聲音)方面。