اگر امروز برای تبدیل صوت به متن در اپلیکیشن خود هزینه می‌پردازید، صورت‌حساب شما ۲۵ درصد ارزان‌تر می‌شود، اما باید با خطای بیشتری در متن نهایی کنار بیایید. نرخ خطای کلمه (Word Error Rate) در جدیدترین موتور بازشناسی گفتار OpenAI روی ۳.۳۱ درصد متوقف شده است و این یعنی این شرکت هنوز نتوانسته رقبای اصلی خود را شکست دهد.
این به‌روزرسانی در ۲۹ ژوئیه ۲۰۲۶ از طریق API عرضه شد. بازشناسی گفتار (ASR) — شبیه به گوش دادن دقیق یک دبیر که هر کلمه را می‌شنود و بلافاصله روی کاغذ می‌نویسد — اکنون به لایه‌ای حیاتی برای عامل‌های هوش مصنوعی تبدیل شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی لایه‌های امنیتی عامل‌های Gemini گوگل اشاره کردیم، صنعت اکنون به سمتی می‌رود که این عامل‌ها بتوانند با دقت بالاتر و هزینه کمتر، در لحظه با انسان تعامل کنند.
به گزارش Artificial Analysis، مدل‌های جدید تغییرات فنی کلیدی زیر را به همراه دارند:
- سرعت: مدل GPT Transcribe صوت‌های ضبط‌شده را تقریباً ۳۴ برابر سریع‌تر از زمان واقعی پردازش می‌کند.
- هزینه: قیمت هر دقیقه صوت به ۰.۰۰۴۵ دلار کاهش یافت.
- قابلیت‌ها: هر دو مدل از بستر متنی (Context)، کلمات کلیدی و زبان‌های ورودی متعدد پشتیبانی می‌کنند.
طبق بررسی‌های این گزارش، شکاف عملکردی همچنان پابرجاست. اگرچه GPT Transcribe نسبت به نسخه قدیمی (GPT-4o Transcribe) حدود ۰.۷ درصد پیشرفت کرده، اما در برابر ElevenLabs Scribe v2 با خطای ۲.۳ درصد، Google Gemini 3 Pro با ۲.۹ درصد و Mistral Voxtral Small با ۳ درصد، بازنده است. این وضعیت در حالی رخ می‌دهد که شکاف دقت در مدل‌های بازشناسی گفتار به طور کلی در حال کاهش است و رقابت برای رسیدن به دقت انسانی شدت یافته است.
برای مالکان کسب‌وکار، این یعنی OpenAI به جای تمرکز بر دقت مطلق، اولویت خود را روی یکپارچگی اکوسیستم و کاهش قیمت گذاشته است. این شرکت با ترکیب این ابزارها با مدل GPT-Realtime-Whisper، مجموعه‌ای کامل برای برنامه‌های صوتی لحظه‌ای می‌سازد، حتی اگر رقیبش متنی «تمیزتر» ارائه دهد. این رویکرد یادآور تلاش‌های اخیر شرکت است تا سرعت پاسخ‌دهی صوتی را از طریق مدل‌های بهینه‌شده ارتقا دهد و تجربه کاربری روان‌تری خلق کند.
توسعه‌دهندگان باید این نرخ‌ها را با Mistral Voxtral Transcribe V2 بسنجند که با قیمت ۰.۰۰۳ دلار در دقیقه، در حال حاضر ارزان‌ترین گزینه بازار است.
گام بعدی شما
- اگر دقت متن اولویت اول شماست، مدل Scribe v2 از ElevenLabs را تست کنید.
- برای کاهش هزینه‌های عملیاتی در مقیاس بالا، نرخ‌های جدید OpenAI را با Mistral مقایسه کنید.
- قابلیت‌های تشخیص کلمات کلیدی در API جدید را برای دسته‌بندی خودکار فایل‌های صوتی به کار ببرید.
اما نبرد واقعی در لایه سخت‌افزاری است؛ برای درک اینکه چگونه تراشه‌های جدید این سرعت‌ها را ممکن می‌کنند، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو