OpenAI 在 7 月 29 日甩出了兩枚新的聽覺引擎。GPT-Live-Transcribe 與 GPT-Transcribe 兩款轉錄模型正式通過 API 開放調用，它們不再只是把聲音轉成文字的搬運工，而是學着去聽懂一句話背後的上下文——口音、術語、數字，乃至背景裏那陣喧鬧的人聲，都不再輕易讓它犯暈。

兩枚模型各有一副脾性。GPT-Live-Transcribe 生來爲低延遲的實時場景而造，像一位貼着說話人同步落筆的速記員，每分鐘收費 0.017 美元，按現匯率約合 0.12 元人民幣。GPT-Transcribe 則把力氣花在已完成的音頻文件和批量任務上，走異步轉錄的路子，價格壓到每分鐘 0.0045 美元，約合 0.03 元人民幣，更適合事後成批消化錄音的活兒。

真正拉開代差的，是它們對語境的消化能力。在 Context Aware ASR 基準上，GPT-Transcribe 的語義準確率從沒有自由形式上下文時的 41.6%，一路爬升到接入上下文後的 45.2%——它開始明白，同一個詞在不同對話裏可能意味着完全不同的東西。

面對 Whisper 這位老前輩，新模型幾乎贏下了一個身位。在 Common Voice 覆蓋的 22 種語言裏，GPT-Transcribe 把轉錄錯誤率壓到了 19.27%，而 Whisper（whisper-1）還停在 40.37%，差距超過一倍；放到真實世界錄音的九種語言基準上，它更是把錯誤率砍到 8.98%，把 Whisper 的 15.21% 遠遠甩在身後。當機器能聽清帶噪環境下的專業術語，語音交互那扇一直半掩的門，似乎又被推開了一道縫。