Новые речевые модели OpenAI отстают от конкурентов по точности и цене

OpenAI выпустила GPT Transcribe и GPT Live Transcribe — модели распознавания речи, которые превращают аудио в текст. GPT Transcribe обрабатывает аудио в 34 раза быстрее реального времени, показывает WER 3,31% (улучшение на 0,7 пункта по сравнению с предыдущей версией) и на 25% дешевле — $0,0045 за минуту. GPT Live Transcribe транскрибирует аудио в реальном времени и работает в потоковом режиме.

GPT Transcribe и GPT Live Transcribe могут принимать на входе контекстный текст для повышения точности, позволяют задавать ключевые слова и поддерживают несколько языков. В бенчмарке AA-WER ElevenLabs Scribe v2 показывает WER 2,3%, Google Gemini 3 Pro — WER 2,9%, Mistral Voxtral Small — WER 3,0% и при этом дешевле ($0,003 за минуту). OpenAI отстаёт от всех трёх конкурентов и по точности, и по цене.

В отличие от чат-ботов, где OpenAI лидирует на рынке, в области распознавания речи задают тон другие игроки. Мы видим, что ни одна лаборатория не может быть лучшей во всём, и ландшафт ИИ становится всё более раздробленным, что даёт нишевым игрокам вроде ElevenLabs или Mistral возможность на равных конкурировать с OpenAI.