gpt-4o-mini-transcribe-2025-03-20

Oversigt. gpt-4o-mini-transcribe-2025-03-20 er OpenAIs model til tale til tekst-transskribering, udgivet den 20. marts 2025 som en del af GPT-4o Mini-modelfamilien. Den erstatter Whisper-baserede behandlingskæder med en model bygget specifikt til transskribering, hvilket forbedrer fejlraten og nøjagtigheden i sproggenkendelse på tværs af sprog. Udviklere vælger denne model, når de har brug for at konvertere lyd til tekst som en særskilt, veldefineret opgave frem for som en del af en bredere chat eller en arbejdsflyt med ræsonnering.

Vigtigste styrker. OpenAI rapporterer om forbedrede fejlrater og højere nøjagtighed på tværs af sprog sammenlignet med Whisper, som denne model er bygget til at overgå. Den understøtter streaming af transskriberet tekst som deltas, hvilket gør den velegnet til direkte undertekstning og behandlingskæder til stemmeagenter, hvor delvise resultater skal vises, efterhånden som lyden ankommer. Som en fokuseret opgave til konvertering af lyd til tekst i ét trin passer den præcist ind i behandlingskæder, der ikke kræver ræsonnering i flere trin eller brug af værktøjer.

Anvendelsesområder. Brug denne model, når selve opgaven er transskribering — direkte undertekstning, mødereferater, parsing af inddata til stemmeagenter eller batch-konvertering af optaget lyd til tekst. Understøttelsen af streaming gør den velegnet til anvendelsesområder med tale til tekst i sanntid, hvor kort svartid er afgørende. Den er ikke det rigtige valg til opgaver, der kræver ræsonnering over det transskriberede indhold, værktøjskald eller struktureret uddata ud over standardformater for transskribering — sådanne opgaver kræver en separat efterfølgende model.

Begrænsninger. Denne specialiserede transskriberingsvariant har et markant mindre kontekstvindue (16.000 tokens) og en lavere grænse for uddata (2.000 tokens) end den almindelige gpt-4o-mini-instruktionsmodel. Den er derfor ikke egnet til lange lydopgaver, der kræver omfattende kontekst i et enkelt kald. Hvor træningsdataene slutter, er juni 2024. Den understøtter ikke værktøjskald, uddata begrænset af JSON-skema eller lyd som uddata — kun transskribering med tekst som uddata.

Bemærkning om suverænitet. Denne model er skabt af OpenAI, en amerikansk virksomhed, og er underlagt CLOUD Act uden mulighed for suveræn drift eller at køre selv. Lyd som inddata kan indeholde følsomt eller personligt indhold, så afdelinger med strenge krav til dataplacering bør gennemgå OpenAIs datapolitik, før de sender reguleret lyd gennem dette endepunkt.