GPT-4o Transcribe vs Whisper v1

vs

什么时候选哪个

两者计费单位不同——whisper-1 每音频分钟 $0.006,gpt-4o-transcribe 每百万音频输入 token $6 再加每百万文本 token $2.5 和 $10——所以两者之间没有哪一种换算是诚实的。whisper-1 是带词级和分段级时间戳、srt/vtt 输出以及翻译端点的那一个,但它不支持流式;gpt-4o-transcribe 支持流式(包括实时转写会话),只返回 json 或 text。做字幕和翻译选 whisper-1,要实时转写选 gpt-4o-transcribe。

Benchmark 成绩

Whisper v1: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 Whisper v1 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 Whisper v1 Δ
每分钟音频 - $0.006 -
音频输入 / 1M token $6 - -
文本输出 / 1M token $10 - -

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 Whisper v1
说话人分离 否 否
流式输出 是 否
时间戳 否 是

规格

GPT-4o Transcribe Whisper v1
输入模态 文本 音频 音频
输出模态 文本 文本
发布日期 2025-03-20 2023-03-01
知识截止日期 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;词级和段级时间戳(verbose_json),支持 srt/vtt 输出;不支持流式;translations 端点(译为英文)唯一支持的模型
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 在 98 种语言上训练;在转写和翻译端点上共列出 57 种受支持语言(即达到 <50% 词错误率门槛的那些)
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 · Whisper v1

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="whisper-1",  # 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 Whisper v1 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 和 Whisper v1 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 和 Whisper v1 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 Whisper v1 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