Chirp 3 vs GPT-4o Transcribe Diarize

vs

什么时候选哪个

这两者都执行带有说话人分离的转录,但它们的计费单位不同 —— chirp-3 每音频分钟计费 $0.016,而 gpt-4o-transcribe-diarize 每百万音频输入 token 计费 $6.25,外加每百万文本输入和输出 token 计费 $2.5 —— 因此它们之间没有任何一种单一换算是绝对准确的。选择 chirp-3 用于长音频或实时任务:BatchRecognize 跨度为 1 分钟到 1 小时,StreamingRecognize 处理实时任务,并覆盖 29 个 GA 加 82 个预览版语言区域,尽管不支持词级时间戳。选择 gpt-4o-transcribe-diarize 用于 25MB 以下的较短文件,当你希望返回带有说话人标签和段落时间戳的 diarized_json 时,受其 16000-token 上下文和 2000-token 输出上限限制。

价格

Chirp 3 GPT-4o Transcribe Diarize Δ
每分钟音频 $0.016 - -
音频输入 / 1M token - $6.25 -
文本输出 / 1M token - $2.5 -

这两个模型的计费单位不同,所以不显示 Δ:要在两种单位之间换算,就得引入一个我们没有实测过的假设。上方各自的价格按各自的单位列出。

能力

Chirp 3 GPT-4o Transcribe Diarize
说话人分离 是 是
流式输出 是 是
时间戳 是 是

规格

Chirp 3 GPT-4o Transcribe Diarize
输入模态 音频 文本 音频
输出模态 文本 文本
发布日期 2025-10-13 2025-10
知识截止日期 - 2024-06
限制 音频解码自动识别;同步 Recognize 支持 <1 分钟,BatchRecognize 支持 1 分钟–1 小时(带词级时间戳时 <=20 分钟),StreamingRecognize 用于实时;BatchRecognize 和 Recognize 支持说话人分离(14 种语言);语句级时间戳(仅 StreamingRecognize),词级时间戳列为不支持;语言无关转写;29 个 GA + 82 个预览区域设置 mp3/mp4/mpeg/mpga/m4a/wav/webm,最大 25MB;内置说话人分离,输出 diarized_json(说话人标签 + 分段时间戳);音频超过 30s 时必须指定 chunking_strategy;不支持 prompt
语言 StreamingRecognize、Recognize 和 BatchRecognize 合计 29 个 GA + 82 个 Preview 区域设置(共 111 个);其中 14 个支持说话人分离 转写端点列出 57 种语言(所有转写模型共用一份列表);基于 GPT-4o 的模型接受 ISO 639-1 / 639-3 代码
最大输出 - 2,000

规格照录自各供应商的文档;供应商没有公布的项目,对应的行直接省略,不做推断。 完整来源: Chirp 3 · GPT-4o Transcribe Diarize

改一行代码就能在两个模型之间切换

下方每个标签页里都有两个模型 ID,高亮的那两行是唯一要改的地方。端点不变,API key 不变,请求结构也不变。

from openai import OpenAI

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

resp = client.audio.transcriptions.create(
    model="chirp-3",
    # model="gpt-4o-transcribe-diarize",  # 取消注释此行,注释上一行
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

获取 API key →

常见问题

Chirp 3 和 GPT-4o Transcribe Diarize 哪个更便宜?

两个模型的计费单位不同,给不出一个公允的统一数字:上方表格里,Chirp 3 和 GPT-4o Transcribe Diarize 各按自己的单位列出。建议拿你自己的负载来比,实际该怎么取舍,见本页顶部的结论。

不用分别集成两次,就能对 Chirp 3 和 GPT-4o Transcribe Diarize 做 A/B 测试吗?

可以。两个模型走同一个 OpenAI 兼容端点,用同一个 API key,切换时只要改一行里的模型名,所以可以给两个模型各分一部分流量,直接对比账单。

Chirp 3 和 GPT-4o Transcribe Diarize 支持说话人分离吗?

上方的能力表格按各供应商的官方文档,逐个模型回答了这个问题。说话人分离、流式输出和时间戳三项分开列出,因为不同模型在这三项上的支持情况都不一样。

相关对比

我们的实测研究