gpt-4o-transcribe-diarize

Oversigt. GPT-4o Transcribe Diarize er OpenAIs model til automatisk talegenkendelse med indbygget taleradskillelse, der udelukkende betjenes gennem Transcription-API'et frem for som et generelt chat-endepunkt. Den modtager en lydfil og returnerer en teksttransskription, hvor det er valgfrit at få markeret, hvem der siger hvad. Brug den, når dit arbejde specifikt kræver transskriptioner med talerangivelse frem for almindelig tale til tekst.

Vigtigste styrker. modellens største styrke er kombinationen af transskription og taleradskillelse i én arbejdsgang, så lydsegmenter allerede er markeret med taler i uddataene. Den understøtter et diarized_json-svarformat til strukturerede resultater med talermarkeringer, og den accepterer valgfrie korte referenceklip til at knytte lydsegmenter til kendte, navngivne talere frem for generiske taler-id'er. OpenAI har positioneret den som fremtidens model til transskription i sanntid i Transcription-API'et, i takt med at flere ældre transskriptionsmodeller udfases.

Anvendelsesområder. Brug denne model, når du har brug for at vide, hvem der sagde hvad i en optagelse – opkald med flere deltagere, møder, interviews eller lydstrømme fra samtaler i sanntid. Den er ikke det rigtige valg til transskription af en enkelt taler eller simple filer, hvor taleradskillelse ikke giver merværdi, og den kan ikke erstatte en generel chat- eller ræsonneringsmodel, da den ikke accepterer prompter eller udfører andre opgaver end transskription og talermarkering.

Begrænsninger. Modellen har et meget mindre kontekstvindue (16.000 tokens) og et lavere loft for uddata (2.000 tokens) end den generelle GPT-4o-familie, hvilket afspejler dens smalle fokus på talegenkendelse. Den accepterer ikke systemprompter, understøtter ikke verktøjskald og leverer kun tekst som uddata – der er ingen lydgenerering, billedforståelse eller agentiske egenskaber her.

Bemærkning om suverænitet. OpenAI er en amerikansk modelskaber, og som resten af GPT-4o-familien er denne model underlagt CLOUD Act – en relevant faktor for købere med strenge krav til dataplacering. Det er en proprietær model med lukkede vægte uden mulighed for at køre selv suverænt; inferens sker udelukkende på OpenAIs egen løsning.