OpenAI · 大模型
OpenAI 发布新一代音频模型
OpenAI 于 4 月 6 日发布新一代音频模型，在语音理解、生成与交互能力上实现重要升级。新模型支持更自然的对话节奏、情感变化，并能快速响应复杂指令。通过 API 即可接入，有助于开发者在语音助手、实时翻译、客服等场景中打造更流畅的体验。
- 域名
openai.com- 评分
- 5 · 重大发布
- 发布
- 2026-05-22
导读
这是 OpenAI 面向 API 用户发布的下一代音频模型公告。新增 gpt-4o-transcribe 与 gpt-4o-mini-transcribe 两款 speech-to-text 模型，以及 gpt-4o-mini-tts 一款 text-to-speech 模型，三者皆基于 GPT-4o 与 GPT-4o-mini 架构。文章指出，新模型在 word error rate 上优于既有 Whisper v2/v3，尤其在带口音、噪声环境与不同语速的场景下表现稳定，FLEURS 多语种基准上的成绩覆盖 100 余种语言。
关键升级在于 text-to-speech 端首次支持 steerability。开发者可以用自然语言指令告诉模型「如何」说话，例如 talk like a sympathetic customer service agent，也能切换 Calm、Surfer、Professional、Medieval knight、True crime buff、Bedtime story 等预设语气。Anthropic 把这一能力定位为从 customer service 到 storytelling 的通用基座。
技术层面，OpenAI 披露了三条路线：audio-centric 数据集上的 pretraining、强化的 distillation 流程把大模型能力压缩到小模型、以及在 speech-to-text 上引入 reinforcement learning paradigm 把幻觉率压到更低。新模型已在 API 上线，配套 Agents SDK 提供 voice agent 集成模板，低延迟场景仍推荐使用 Realtime API 的 speech-to-speech 模型。