OpenAI声称,这些模型在之前版本的基础上取得了明显的进步,也标志着OpenAI距离其“AI智能体(AIAGENT)”的愿景更进一步。
OpenAI声称,其新的文本到语音模型GPT-4oMiniTTS不仅能提供更细致入微、听起来更逼真的语音,而且比前一代语音合成模型更“可操控”。
开发人员可以指导该模型如何用自然语言说话——例如,“像一个疯狂的科学家一样说话”、“像一个富有同理心的客服一样说话”或“像一个正念老师一样使用平静的声音”。
OpenAI产品人员杰夫哈里斯(JeffHarris)表示,他们的目标是让开发者能够定制语音“体验”和“环境”。
哈里斯表示:“在不同的情况下,你想要的不会仅仅是一个平淡、单调的声音…如果你在客户支持体验中,你希望这个声音表达出犯错后的歉意,你可以让声音表达出那种情感……ag凯发_凯发一触即发的信念是,开发者和用户不仅想要真正控制说什么,还想要控制怎么说。”
至于OpenAI的新语音转文本模型“GPT-4o-transcript”和“GPT-4o-mini-transcript”,它们的准确度明显高于OpenAI之前发布的语音转文本模型Whisper,并在多种语言中实现更低的词错误率(WER)。
OpenAI声称,经过“多样化、高质量音频数据集”的训练,新模型可以更好地捕捉口音和不同的语音,即使在混乱的环境中也是如此。
OpenAI还表示,新模型在工作中产生幻觉的概率也降低了。哈里斯补充道。众所周知,Whisper喜欢在谈话中编造词汇,甚至整段文字,而“新模型在这方面比Whisper有了很大的改进。”
哈里斯表示:“确保模型的准确性对于获得可靠的语音体验至关重要,(在这种情况下)准确性意味着模型准确地听到了单词,(并且)没有填写他们没有听到的细节。”
当然,模型的准确率和其被转录的语言有较大关系。
根据OpenAI的内部基准测试,GPT-4o-transcribe是两种新转录模型中更准确的一种,
OpenAI声称,这些模型符合其更广泛的“AI智能体(AIAGENT)”的愿景:构建能够代表用户独立完成任务的自动化系统。
尽管“智能体(Agent)”的定义可能存在争议,但OpenAI的产品主管奥利维尔·戈德曼(OlivierGodement)将一种解释描述为可以与企业客户交谈的聊天
“在接下来的几个月里,ag凯发_凯发一触即发会看到越来越多的AI智能体出现,”戈德蒙德表示,“因此,总的主题是帮助客户和开发者利用有用、可用和准确的智能体。”
与传统不同的是,OpenAI并不打算公开其新的转录模型。该公司此前在麻省理工学院的许可下发布了用于商业用途的新版Whisper。
哈里斯表示,GPT-4o-transcribe和GPT-4o-mini-transcribe“比Whisper大得多”,因此不适合公开发布。
“它们不是那种能在笔记本电脑上本地运行的模式,比如Whisper那种,”他继续说道,“ag凯发_凯发一触即发想确保,如果ag凯发_凯发一触即发以开源方式发布东西,ag凯发_凯发一触即发是经过深思熟虑的,ag凯发_凯发一触即发有一个真正针对特定需求的模型。”
责任编辑:于健SF069
