GPT-4o Transcribe vs Whisper v1

vs

Cuál usar y cuándo

Estos dos facturan en unidades distintas - whisper-1 a $0.006 por minuto de audio, gpt-4o-transcribe a $6 por millón de tokens de audio de entrada más $2.5 y $10 por millón de tokens de texto - así que ninguna conversión única entre ellos es honesta. whisper-1 es el que tiene marcas de tiempo por palabra y por segmento, salida srt/vtt y el endpoint de traducción, pero no hace streaming; gpt-4o-transcribe sí, incluidas sesiones de transcripción en tiempo real, y devuelve solo json o texto. Elige whisper-1 para subtítulos y traducción, gpt-4o-transcribe para transcripción en vivo.

Benchmarks

Whisper v1: el proveedor no ha publicado resultados de benchmarks.

Sobre la mediaGPT-4o Transcribesolo 1 comparables
GPT-4o Transcribe Whisper v1 otros modelos medidos media de los modelos comparados ★ ningún otro modelo puntuó más alto
WenetSpeech test-net (CER)
15.3%
N/A

Publicado por los proveedores: Alibaba (Qwen) ByteDance Google OpenAI

Precios

GPT-4o Transcribe Whisper v1 Δ
Por minuto de audio - $0.006 -
Entrada de audio / 1M tokens $6 - -
Salida de texto / 1M tokens $10 - -

Estos dos modelos se facturan en unidades distintas, así que no se muestra ningún Δ: para convertir una en otra habría que asumir algo que no hemos medido. Arriba, cada tarifa aparece en su propia unidad.

Capacidades

GPT-4o Transcribe Whisper v1
Diarización de hablantes no no
Streaming sí no
Marcas de tiempo no sí

Especificaciones

GPT-4o Transcribe Whisper v1
Modalidades de entrada texto audio audio
Modalidades de salida texto texto
Lanzamiento 2025-03-20 2023-03-01
Corte de conocimiento 2024-06 -
Límites

mp3/mp4/mpeg/mpga/m4a/wav/webm, hasta 25MB

transcripción en streaming admitida (incl. sesiones de transcripción de Realtime)

salida solo en json/text

sin marcas de tiempo por palabra ni diarización

mp3/mp4/mpeg/mpga/m4a/wav/webm, hasta 25MB

marcas de tiempo por palabra y por segmento (verbose_json), salida srt/vtt

sin streaming

único modelo admitido en el endpoint de translations (al inglés)

Idiomas

57 idiomas listados para el endpoint de transcriptions (una única lista compartida por todos los modelos de transcripción)

se aceptan códigos ISO 639-1 / 639-3 para los modelos basados en GPT-4o

Entrenado en 98 idiomas

57 figuran como admitidos, los idiomas que cumplieron el umbral de OpenAI de una tasa de error por palabra inferior al 50% en los endpoints de transcriptions y translations

Salida máxima 2000 -

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica un dato, la fila se omite en vez de deducirlo. Fuentes completas: GPT-4o Transcribe · Whisper v1

Cambia de uno a otro con una sola línea

Los dos ids aparecen en todas las pestañas de abajo; lo único que cambia es el par de líneas resaltadas. El endpoint, la clave y la estructura de la solicitud son los mismos.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.audio.transcriptions.create(
    model="gpt-4o-transcribe",
    # model="whisper-1",  # descomenta esta línea, comenta la de arriba
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtén tu clave API →

Preguntas frecuentes

¿Cuál es más barato, GPT-4o Transcribe o Whisper v1?

Se facturan en unidades distintas, así que no hay una cifra única que sea honesta: en la tabla de arriba, GPT-4o Transcribe y Whisper v1 aparecen cada uno en su propia unidad. Compáralos con tu propia carga de trabajo; el veredicto, al principio de esta página, explica qué ganas y qué pierdes con cada uno.

¿Puedo hacer pruebas A/B de GPT-4o Transcribe frente a Whisper v1 sin dos integraciones?

Sí. Los dos se sirven desde el mismo endpoint compatible con OpenAI y con una sola clave API. Para cambiar de uno a otro basta con tocar una línea, el nombre del modelo, así que puedes mandar una parte del tráfico a cada uno y comparar directamente las facturas.

¿Admiten GPT-4o Transcribe y Whisper v1 la diarización de hablantes?

La tabla de capacidades de arriba lo indica para cada modelo, según la documentación de su proveedor. La diarización, el streaming y las marcas de tiempo aparecen por separado porque los modelos difieren en las tres cosas.

Comparativas relacionadas

De nuestros estudios con mediciones