OpenAI выпустила новые модели распознавания речи

OpenAI выпустила GPT Transcribe и GPT Live Transcribe — модели, которые превращают голос в текст. GPT Transcribe обрабатывает аудио в 34 раза быстрее реального времени, ошибается в 3,31% слов — на 0,7 пункта меньше предшественника — и подешевел на 25%, до $0,0045 за минуту. GPT Live Transcribe работает в реальном времени и поддерживает потоковую передачу аудио.

Обе модели принимают текстовый контекст для повышения точности, поддерживают ключевые слова и несколько языков. По бенчмарку AA-WER: ElevenLabs Scribe v2 ошибается в 2,3% слов, Google Gemini 3 Pro — в 2,9%, Mistral Voxtral Small — в 3,0% и стоит дешевле ($0,003/мин). OpenAI уступает всем трём конкурентам и по точности, и по цене.

В отличие от чат-ботов, где OpenAI задаёт тон, в распознавании речи лидируют другие компании. Это показывает, что ни одна лаборатория не доминирует сразу во всех направлениях: рынок AI становится всё более специализированным, а значит, у узкофокусных игроков — ElevenLabs, Mistral — есть реальное конкурентное преимущество даже против OpenAI.