凌晨 1 点的时候，OpenAI 突然做了三项发布：
- 语音转文本（STT）模型
- 文本转语音（TTS）模型
- 一个体验网站：OpenAI.fm
剩下的，容我逐个道来。
语音转文本（STT）模型
两款模型：gpt-4o-transcribe 和 gpt-4o-mini-transcribe，比之前的 Whisper 价格更优，性能更好，尤其在处理口音、噪音和不同语速方面表现更佳。
先是价格对比
- Whisper: ~ $0.006/min
- gpt-4o-transcribe: ~ $0.006/min
- gpt-4o-mini-transcribe: ~ $0.003/min
再是错误率对比（越低越好）
对比自家的 Whisper
对比竞品模型
这俩 endpoint，一个是 transcriptions，另一个是translations，同样可以用于新模型。前者是纯转文字，简单调用起来是这样：
from openai import OpenAI
client = OpenAI()
audio_file = open("/path/to/file/audio.mp3", "rb")
transcription = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file
)
print(transcription.text)后者是转文字+翻译（仅限翻译成英文），调用大概这样。
from openai import OpenAI
client = OpenAI()
audio_file = open("/path/to/file/speech.mp3", "rb")
transcription = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
response_format="text"
)
print(transcription.text)剩下的，是一些接口参数更新：
- 时间戳 （Timestamps）：通过设置 timestamp_granularities 参数，可以获取带有时间戳的 JSON 输出，精确到句子片段或单词级别。
- 流式转录 （Streaming transcriptions）：通过设置 stream=True，可以在模型完成音频片段的转录后立即接收到 transcript.text.delta 事件，最终会收到包含完整转录的 transcript.text.done 事件。
- 实时 API （Realtime API）：对于正在进行的音频流（例如实时会议或语音输入），可以通过 WebSocket 连接实时发送音频数据并接收转录事件。
详细文档：
https://platform.openai.com/docs/guides/speech-to-text
语音转文本（TTS）模型
模型名称是 gpt-4o-mini-tts 可控性很强的 TTS：
- 可以指定要说的内容，如：“我是练习时长两年半的个人练习生”
- 可以指定说话的风格，如：“用娇滴滴的语气”
中文示例
英文示例
我个人感觉效果不是很好（但可以 roll 点音色）；
长度方面，最大支持 2000 token 的内容；
价格方面，是 $0.015/min，示例代码如下：
import asyncio
from openai import AsyncOpenAI
from openai.helpers import LocalAudioPlayer
openai = AsyncOpenAI()
input = """大家好，我是练习时长两年半的个人练习生，你坤坤，喜欢唱、跳、Rap和篮球，music~\n\n在今后的节目中，有我很多作词，作曲，编舞的原创作品，期待的话多多投票吧！"""
instructions = """用娇滴滴的语气，萝莉音"""
asyncdefmain() -> None:
asyncwith openai.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="alloy",
input=input,
instructions=instructions,
response_format="pcm",
) as response:
await LocalAudioPlayer().play(response)
if __name__ == "__main__":
asyncio.run(main())详细文档：
https://platform.openai.com/docs/guides/text-to-speech
新网站：OpenAI.fm
这是一个调试语音的 PlayGround，挺好玩的
还可以在右上角，一键导出代码
