GPT-4o Transcribe vs Whisper v1

vs

Qual usar e quando

Estes dois cobram em unidades diferentes - whisper-1 a $0.006 por minuto de áudio, gpt-4o-transcribe a $6 por milhão de tokens de áudio de entrada mais $2.5 e $10 por milhão de tokens de texto - então nenhuma conversão única entre eles é honesta. O whisper-1 é o que tem carimbos de tempo por palavra e por segmento, saída srt/vtt e o endpoint de tradução, mas não faz streaming; o gpt-4o-transcribe faz, inclusive sessões de transcrição em tempo real, e devolve apenas json ou texto. Escolha o whisper-1 para legendas e tradução, o gpt-4o-transcribe para transcrição ao vivo.

Benchmarks

Whisper v1: o provedor não publicou resultados de benchmark.

Acima da médiaGPT-4o Transcribeapenas 1 comparáveis
GPT-4o Transcribe Whisper v1 outros modelos medidos média dos modelos comparados ★ nenhum outro modelo teve pontuação maior
WenetSpeech test-net (CER)
15.3%
N/A

Publicado pelos provedores: Alibaba (Qwen) ByteDance Google OpenAI

Preços

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

Estes dois modelos cobram em unidades diferentes, então nenhum Δ é mostrado: converter uma na outra exigiria uma suposição que não medimos. Acima, os preços de cada um aparecem na sua própria unidade.

Capacidades

GPT-4o Transcribe Whisper v1
Diarização de locutor não não
Streaming sim não
Timestamps não sim

Especificações

GPT-4o Transcribe Whisper v1
Modalidades de entrada texto áudio áudio
Modalidades de saída texto texto
Lançamento 2025-03-20 2023-03-01
Corte de conhecimento 2024-06 -
Limites

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

transcrição em streaming suportada (incluindo sessões de transcrição em Realtime)

saída apenas em json/text

sem timestamps por palavra nem diarização

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

timestamps por palavra e por segmento (verbose_json), saída srt/vtt

sem streaming

único modelo suportado no endpoint de traduções (para inglês)

Idiomas

57 idiomas listados para o endpoint de transcrições (uma lista única para todos os modelos de transcrição)

códigos ISO 639-1 / 639-3 aceitos nos modelos baseados em GPT-4o

Treinado em 98 idiomas

57 listados como suportados, os idiomas que atingiram o limiar da OpenAI de taxa de erro por palavra abaixo de 50% nos endpoints de transcrições e traduções

Saída máxima 2.000 -

As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: GPT-4o Transcribe · Whisper v1

Troque de um para o outro mudando uma linha

Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.

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",  # descomente esta linha, comente a linha acima
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, GPT-4o Transcribe ou Whisper v1?

Eles cobram em unidades diferentes, então não existe um número único que seja honesto: na tabela acima, GPT-4o Transcribe e Whisper v1 aparecem cada um na sua unidade. Compare os dois na sua própria carga de trabalho; o trade-off na prática está descrito no veredito, no topo desta página.

Posso fazer um teste A/B de GPT-4o Transcribe contra Whisper v1 sem duas integrações?

Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.

GPT-4o Transcribe e Whisper v1 suportam diarização de locutor?

A tabela de capacidades acima responde modelo a modelo, direto da documentação de cada provedor. Diarização, streaming e timestamps aparecem em linhas separadas porque os modelos diferem nos três.

Comparações relacionadas

Dos nossos estudos com medições