OpenAI anunció el lanzamiento de dos nuevos modelos de inteligencia artificial (IA) especializados en el procesamiento de voz. Estas herramientas fueron desarrolladas para mejorar la transcripción de conversaciones, tanto en tiempo real como a partir de archivos de audio procesados por lotes.
La compañía, creadora de ChatGPT, informó a través de su cuenta para desarrolladores en X la disponibilidad de GPT-Live-Transcribe, pensado para transcripciones de baja latencia en tiempo real, y GPT-Transcribe, diseñado para convertir archivos de audio completos en texto mediante procesamiento por lotes asíncrono.
Según OpenAI, ambos modelos ofrecen una comprensión más precisa del contexto de las conversaciones, lo que les permite generar transcripciones de mayor calidad. Además, mejoran el reconocimiento de distintos acentos e idiomas, identifican con mayor precisión frases cortas, números y términos especializados, e incluso mantienen un buen desempeño en entornos con ruido de fondo.
Una de las principales características de GPT-Live-Transcribe es que puede utilizar automáticamente transcripciones previas como contexto para mejorar la precisión de los resultados durante una conversación en curso.
OpenAI también compartió los resultados de sus pruebas internas de reconocimiento automático de voz con contexto (Context Aware ASR). De acuerdo con la compañía, incorporar información adicional —como el idioma esperado o el tema de una reunión— aumenta significativamente la precisión semántica de las transcripciones.
En el caso de GPT-Live-Transcribe, la precisión pasó del 38,5 % al 44,6 %, mientras que GPT-Transcribe mejoró del 41,6 % al 45,2 %. Esto demuestra que proporcionar contexto ayuda a ambos modelos a interpretar mejor el contenido, ya sea durante una conversación en vivo o al procesar un audio previamente grabado.
Los resultados también muestran avances en el rendimiento con audios del mundo real. GPT-Live-Transcribe registró una tasa de error del 9,60 %, una mejora frente al 11,65 % obtenido por GPT-Realtime-Whisper, la anterior solución de transcripción en vivo de OpenAI.
Por su parte, GPT-Transcribe alcanzó una tasa de error del 8,98 %, reduciendo de forma considerable el 15,21 % registrado por Whisper-1, el primer modelo de la empresa para convertir voz en texto.
A estos resultados se suman las evaluaciones del laboratorio independiente Artificial Analysis, que reportó una tasa de error de palabras del 3,31 % para GPT-Transcribe. Con este desempeño, el modelo se convierte en la mejor propuesta de OpenAI para esta tarea, aunque todavía se sitúa ligeramente por detrás de competidores como Voxtral Small, de Mistral, y Gemini 3.1 Pro, de Google, que registran una tasa de error cercana al 2,8 %.
En cuanto al costo, OpenAI fijó el precio de GPT-Transcribe en 4,50 dólares por cada mil minutos de audio procesado.
*Con información de Europa Press