GPT-4o Transcribe Diarize vs Seed ASR
什么时候选哪个
两者计费单位不同——gpt-4o-transcribe-diarize 每百万音频输入 token $6.25 再加每百万文本 token $2.5,seed-asr-bigmodel 是每音频分钟固定 $0.002——所以两者之间没有哪一种换算是诚实的。两者都做说话人分离:seed-asr-bigmodel 接受最长 5 小时、512MB 的文件并给出词级时间戳,而 OpenAI 这边是 25MB 上限,超过 30 秒还必须给 chunking_strategy。在 OpenAI 形态的管线里要 diarized_json 选 gpt-4o-transcribe-diarize,按分钟计费的长录音选 seed-asr-bigmodel。
价格
| GPT-4o Transcribe Diarize | Seed ASR | Δ | |
|---|---|---|---|
| 每分钟音频 | - | $0.002 | - |
| 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
| GPT-4o Transcribe Diarize | Seed ASR | |
|---|---|---|
| 说话人分离 | 是 | 是 |
| 流式输出 | 是 | 是 |
| 时间戳 | 是 | 是 |
规格
| GPT-4o Transcribe Diarize | Seed ASR | |
|---|---|---|
| 输入模态 | 文本 音频 | 音频 |
| 输出模态 | 文本 | 文本 |
| 发布日期 | 2025-10 | 2025-12-05 |
| 知识截止日期 | 2024-06 | - |
| 限制 | 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 | 异步音频文件模式:<512MB、<5 小时,OPUS/WAV/MP3/SPX/OGG/AMR/AAC/M4A(也接受原始 PCM),结果在 3 小时内返回并保留 7 天;通过 enable_speaker_info 实现说话人分离(仅音频文件 API,<=10 位说话人时效果最佳,流式 API 不支持分离);通过 show_utterances 输出带 start_time/end_time 的句级 + 词级切分;通过 enable_lid 实现语种识别;热词/上下文最多 800 token 和 20 轮;按调用计费 |
| 语言 | 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 | `language` 留空时,模型覆盖普通话、英语、粤语、上海话、闽南语、四川话和陕西话;也可显式指定 39 个语言键(en-US、zh-CN、yue-CN、ja-JP、ko-KR、id-ID、es-MX、pt-BR、de-DE、fr-FR、fil-PH、ms-MY、th-TH、ar-SA、it-IT、bn-BD、el-GR、nl-NL、ru-RU、tr-TR、vi-VN、pl-PL、ro-RO、uk-UA、az-AZ、bg-BG、cs-CZ、da-DK、fi-FI、hi-IN、hu-HU、kk-KZ、km-KH、my-MM、no-NO、pa-PK、sv-SE、sw-KE、ur-PK),并可选自动检测(enable_auto_lang) |
| 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: GPT-4o Transcribe Diarize · Seed ASR
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="gpt-4o-transcribe-diarize",
# model="seed-asr-bigmodel", # 取消注释此行,注释上一行
file=open("meeting.mp3", "rb"),
language="en",
)
print(resp.text)import OpenAI from "openai";
import fs from "node:fs";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.audio.transcriptions.create({
model: "gpt-4o-transcribe-diarize",
// model: "seed-asr-bigmodel", // 取消注释此行,注释上一行
file: fs.createReadStream("meeting.mp3"),
});
console.log(resp.text);curl https://synthorai.io/v1/audio/transcriptions \
-H "Authorization: Bearer sk-syn-..." \
-F model="gpt-4o-transcribe-diarize" \
# -F model="seed-asr-bigmodel" \ # 取消注释此行,注释上一行
-F file=@meeting.mp3package main
import (
"context"
"fmt"
"os"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
f, _ := os.Open("meeting.mp3")
resp, _ := client.Audio.Transcriptions.New(context.TODO(), openai.AudioTranscriptionNewParams{
Model: "gpt-4o-transcribe-diarize",
// Model: "seed-asr-bigmodel", // 取消注释此行,注释上一行
File: f,
})
fmt.Println(resp.Text)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.audio.transcriptions.*;
import java.nio.file.Paths;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
Transcription resp = client.audio().transcriptions().create(
TranscriptionCreateParams.builder()
.model("gpt-4o-transcribe-diarize")
// .model("seed-asr-bigmodel") // 取消注释此行,注释上一行
.file(Paths.get("meeting.mp3"))
.build()).asTranscription();
System.out.println(resp.text());常见问题
GPT-4o Transcribe Diarize 和 Seed ASR 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,GPT-4o Transcribe Diarize 和 Seed ASR 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 GPT-4o Transcribe Diarize 和 Seed ASR 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。
GPT-4o Transcribe Diarize 和 Seed ASR 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。