GPT-4o Transcribe vs GPT-4o Transcribe Diarize

vs

什么时候选哪个

两者的文本输入同为每百万 $2.5,上下文同为 16000 token;diarize 变体的音频略贵(每百万音频输入 token $6.25 对 $6),文本输出则便宜得多($2.5 对 $10)。它加的是说话人分离和 diarized_json——带说话人标签和分段时间戳——代价是超过 30 秒必须给 chunking_strategy,并且不支持 prompt。要纯粹的流式转写选 gpt-4o-transcribe,需要知道是谁在说时选 diarize 变体。

Benchmark 成绩

GPT-4o Transcribe Diarize:供应商没有公布 benchmark 成绩。

高于同类均值GPT-4o Transcribe仅 1 项可比
GPT-4o Transcribe GPT-4o Transcribe Diarize 其他参测模型 同类均值 ★ 没有模型得分更高
WenetSpeech test-net (CER)
15.3%
N/A

供应商公布: Alibaba (Qwen) ByteDance Google OpenAI

价格

GPT-4o Transcribe GPT-4o Transcribe Diarize Δ
音频输入 / 1M token $6 $6.25 0.96×
文本输出 / 1M token $10 $2.5 4×

价格取自构建时的实时目录,最新价格见各模型页面。

能力

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

规格

GPT-4o Transcribe GPT-4o Transcribe Diarize
输入模态 文本 音频 文本 音频
输出模态 文本 文本
发布日期 2025-03-20 2025-10
知识截止日期 2024-06 2024-06
限制 mp3/mp4/mpeg/mpga/m4a/wav/webm,最大 25MB;支持流式转写(含 Realtime 转写会话);仅 json/text 输出;无词级时间戳和说话人分离 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 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 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 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 · 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="gpt-4o-transcribe",
    # 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

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

按「音频输入 / 1M token」算,GPT-4o Transcribe 更便宜($6 对 $6.25,相差 1.0×)。其他计费项的结论可能相反,完整价格见上方表格,实际成本取决于你的用量构成。

不用分别集成两次,就能对 GPT-4o Transcribe 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。

GPT-4o Transcribe 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