I nuovi modelli di trascrizione OpenAI sono più veloci e costano il 25% in meno, ma non sono i più precisi
GPT Transcribe e GPT Live Transcribe portano il prezzo a 0,0045 dollari al minuto e raggiungono un tasso di errore sulle parole del 3,31%. ElevenLabs, Google e Mistral ottengono risultati migliori.
OpenAI ha aggiunto alla sua API due nuovi modelli per il riconoscimento vocale: GPT Transcribe per i file audio registrati e GPT Live Transcribe per i flussi in tempo reale. Entrambi trasformano il parlato in testo, la tecnologia che sta dietro agli appunti automatici delle riunioni, ai sottotitoli, alle trascrizioni dei podcast e agli assistenti vocali. La versione per file elabora l’audio a una velocità circa 34 volte superiore a quella reale: un’ora di registrazione viene trascritta in meno di due minuti.
I risultati sono buoni, senza essere eccezionali. Nei test del servizio indipendente Artificial Analysis, GPT Transcribe registra un tasso di errore sulle parole del 3,31%. La metrica, indicata di solito con la sigla WER, misura semplicemente la quota di parole riconosciute in modo errato: più è bassa, meglio è. Rispetto a GPT-4o Transcribe, uscito un anno fa, il miglioramento è di 0,7 punti percentuali. Il prezzo scende intanto del 25%, a 0,0045 dollari per minuto di audio. Entrambi i modelli accettano anche informazioni di contesto: testi, elenchi di termini o più lingue di input possono aiutarli a riconoscere nomi propri e linguaggio specialistico.
OpenAI non guida però la classifica della precisione. Nella stessa graduatoria, ElevenLabs Scribe v2 arriva al 2,3%, Gemini 3 Pro di Google al 2,9% e Voxtral Small di Mistral al 3%. Con Voxtral Transcribe V2, Mistral batte inoltre la concorrenza sul prezzo: da 0,003 dollari al minuto, costa un terzo in meno rispetto al nuovo servizio OpenAI.
Un tempo la trascrizione era un prodotto specialistico offerto da aziende specializzate. Oggi tutti i grandi laboratori la includono nel proprio catalogo, e la competizione non riguarda più la domanda «funziona?», ma frazioni di punto percentuale e di centesimo. Per chi compra è un vantaggio; lo è molto meno per le aziende che vivevano soltanto di trascrizione. Questo spiega anche perché OpenAI presenti i nuovi modelli insieme alla generazione Realtime annunciata di recente, che comprende il modello di trascrizione in streaming GPT-Realtime-Whisper: il valore si sta spostando dal testo trascritto ai servizi costruiti attorno.
Cosa significa per te: Se ti serve ogni tanto la trascrizione di un’intervista, una lezione o un video di famiglia, tutti questi modelli svolgono bene il compito. Una differenza di un decimo di centesimo al minuto non si farà notare in fattura. Se invece costruisci un prodotto basato sulla trascrizione o elabori migliaia di ore, la classifica diventa importante, e oggi OpenAI non è la scelta migliore né per precisione né per prezzo. Una cautela: i tassi di errore dei benchmark sono medie calcolate su set di prova. Accenti, rumore di fondo e lessico tecnico nelle tue registrazioni possono cambiare l’ordine dei risultati. Prima di scegliere, prova i servizi con il tuo materiale.
Fonti
Oltre 1.200 dipendenti dei laboratori di IA chiedono a Washington un freno che ancora non esiste
Dario Amodei, Jakub Pachocki e John Schulman figurano tra i firmatari di Pacing the Frontier. Non chiedono una pausa, ma la possibilità di rallentare se necessario; su come farlo, però, ammettono di non essere d'accordo.
