gpt-4o-transcribe: năng lực, chi phí và giới hạn qua nguồn chính thức

gpt-4o-transcribe được OpenAI giới thiệu ngày 20/03/2025 trong bộ model audio mới dành cho API. Đây là mô hình chuyển giọng nói thành văn bản, không phải mô hình phát giọng hoặc một voice agent hoàn chỉnh.

Điểm mới so với Whisper

Theo thông cáo ra mắt, OpenAI cải thiện word error rate (WER), nhận biết ngôn ngữ và độ chính xác so với Whisper đời đầu. Hãng gắn tiến bộ với reinforcement learning và midtraining trên dữ liệu âm thanh đa dạng, chất lượng cao. Những cải thiện được nhấn mạnh trong tình huống có giọng vùng miền, tiếng ồn hoặc tốc độ nói thay đổi.

WER đo lỗi từ trong bản chép so với bản tham chiếu. Kết quả tốt hơn trên benchmark không bảo đảm mọi bản ghi tiếng Việt hay mọi ngành nghề đều đạt cùng mức. Tên riêng, mã hàng và số tiền vẫn cần đối soát; một từ nhận sai có thể thay đổi ý nghĩa cả câu.

Đầu vào âm thanh, đầu ra văn bản

Trang model chính thức mô tả audio và text ở đầu vào, text ở đầu ra; ảnh và video không được hỗ trợ. Vì vậy chữ GPT-4o trong tên không có nghĩa model này cung cấp toàn bộ phương thức của GPT-4o đa dụng. Muốn phát lời nói cần thành phần text-to-speech khác.

Công bố gợi ý các ứng dụng như chép cuộc gọi và ghi chú họp. Bản chép không tự trở thành biên bản đã xác nhận, cũng không tự chứng minh người nói đồng ý một quyết định. Phần tóm tắt, phân quyền truy cập và lưu trữ là trách nhiệm riêng của ứng dụng.

Chi phí: phân biệt giá hiện hành và giá ra mắt

Trang tài liệu model là nguồn động, không phải bản chụp bảng giá ngày 20/03/2025. Vì thế không dùng các con số đang hiển thị để khẳng định đơn giá lịch sử. Khi lập dự toán mới, cần kiểm tra bảng giá API cùng đơn vị token âm thanh, token văn bản và quy tắc tính phí đang áp dụng.

Chi phí tác vụ còn gồm số lần gửi lại, độ dài bản ghi, kiểm tra thủ công và bước xử lý sau phiên âm. Không thể suy đơn giá từ số phút của một mẫu trình diễn hoặc từ tên mini của model cùng đợt. gpt-4o-mini-transcribe là lựa chọn riêng cần so sánh trên cùng tập dữ liệu và cùng tiêu chí.

Giới hạn cần kiểm tra bằng bản ghi thực

Thông cáo đưa ra bằng chứng cải thiện do OpenAI công bố, không phải kiểm định độc lập cho mọi ngôn ngữ. Đánh giá thực tế nên dùng bản tham chiếu đã được người nghe xác nhận, tách lỗi từ thông thường khỏi lỗi nghiêm trọng như số tiền, thời gian và tên khách hàng. Không thay thế âm thanh gốc bằng bản chép chưa rà soát trong nghiệp vụ có rủi ro.

Trong chuỗi OpenAI, Whisper là mốc so sánh nhận dạng trước đó; GPT-4o có phạm vi đa phương thức rộng hơn. gpt-4o-transcribe tập trung phiên âm: lựa chọn đúng dựa trên chất lượng bản chép và chi phí toàn tác vụ, không chỉ tên họ model.

Nguồn: OpenAI, Introducing next-generation audio models in the API, 20/03/2025; tài liệu gpt-4o-transcribe.