GPT-4o Transcribe vs GPT-4o Transcribe Diarize
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。
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)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",
// model: "gpt-4o-transcribe-diarize", // 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" \
# -F model="gpt-4o-transcribe-diarize" \ # 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",
// Model: "gpt-4o-transcribe-diarize", // 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")
// .model("gpt-4o-transcribe-diarize") // 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 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。