全球 AI 语音赛道今天迎来了两位重量级选手的最新动作：OpenAI 专注于让机器“听得更准”，而阿里巴巴则致力于让机器“聊得更自然”。
OpenAI：上下文感知的转录革命
OpenAI 正式推出了两款新的语音模型：GPT-Live-Transcribe 和 GPT-Transcribe。
- GPT-Live-Transcribe：专为低延迟实时场景设计，适用于直播字幕、实时会议记录等。
- GPT-Transcribe：针对完整的音频文件和异步批处理优化，适合播客整理、录音归档等场景。
这两款车型的最大亮点在于上下文感知能力。它们不再孤立地处理声音，而是可以接收自由格式的文本上下文——包括关键词、领域特定术语（如医疗、法律专有名词）以及预期语言。更厉害的是，GPT-Live-Transcribe 还能自动利用之前的转录内容作为后续识别的参考。
数据证明了这一策略的有效性：
- 在 OpenAI 的 Context Aware ASR 基准测试中，加入上下文后，GPT-Live-Transcribe 的语义准确性从 38.5% 提升至 44.6%。
- 在真实世界音频测试中，GPT-Live-Transcribe 的错误率仅为 9.60%，显著优于 GPT-Realtime-Whisper 的 11.65%。
- GPT-Transcribe 更是将错误率压低到 8.98%，远低于经典模型 Whisper-1 的 15.21%。
根据 Artificial Analysis 的报告，GPT-Transcribe 的词错误率（WER）低至 3.31%，定价为每 1000 分钟 4.50 美元，性价比极高。
阿里巴巴：Qwen-Audio 3.0 登顶语音交互榜
与此同时，阿里巴巴发布了 Qwen-Audio-3.0-Realtime Plus 和 Flash 模型，主攻直接的语音到语音（Speech-to-Speech）对话。
与 OpenAI 的 GPT-Live 类似，Qwen-Audio 3.0 支持全双工交互。这意味着用户可以随时打断 AI 的说话，AI 也能即时响应，体验更接近真人交流。此外，它还支持函数调用和自定义声音克隆。
在权威评测机构 Artificial Analysis 的语音到语音指数中，Qwen-Audio-3.0-Realtime Plus 以 84.1 分的成绩领跑，超越了 OpenAI GPT-Realtime-2.1 High 的 79.1 分。它在语音推理、对话动态和智能体性能测试中均名列前茅。
不过，报道也指出一个小缺点：阿里巴巴的模型在开始响应时可能存在轻微的延迟或启动较慢的问题，这可能是为了追求更高准确度而做的权衡。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
