Openai अपने ट्रांसक्रिप्शन और वॉयस-जनरेटिंग AI मॉडल को अपग्रेड करता है
Openai अपने API के माध्यम से ट्रांसक्रिप्शन और वॉयस जनरेशन के लिए नए AI मॉडल को रोल कर रहा है, जो अपने पहले के संस्करणों पर महत्वपूर्ण सुधार का वादा करता है। ये अपडेट Openai के बड़े "एजेंटिक" विज़न का हिस्सा हैं, जो उपयोगकर्ताओं के लिए स्वतंत्र रूप से कार्य करने में सक्षम स्वायत्त प्रणालियों को बनाने पर केंद्रित है। जबकि "एजेंट" शब्द पर बहस की जा सकती है, ओपनई के उत्पाद के प्रमुख, ओलिवियर गोडेम, इसे एक चैटबॉट के रूप में देखते हैं जो एक व्यवसाय के ग्राहकों के साथ बातचीत कर सकता है।
"हम आने वाले महीनों में अधिक से अधिक एजेंटों को देखने जा रहे हैं," एक ब्रीफिंग के दौरान TechCrunch के साथ साझा किया गया था। "ओवररचिंग लक्ष्य ग्राहकों और डेवलपर्स को उन एजेंटों का उपयोग करने में सहायता करना है जो उपयोगी, सुलभ और सटीक हैं।"
Openai के नवीनतम टेक्स्ट-टू-स्पीच मॉडल, "GPT-4O-MINI-TTS" डब किए गए, न केवल अधिक आजीवन और बारीक भाषण का उत्पादन करना है, बल्कि इसके पूर्ववर्तियों की तुलना में अधिक अनुकूलनीय है। डेवलपर्स अब प्राकृतिक भाषा के आदेशों का उपयोग करके मॉडल का मार्गदर्शन कर सकते हैं, जैसे कि "एक पागल वैज्ञानिक की तरह बोलें" या "माइंडफुलनेस शिक्षक की तरह एक शांत आवाज का उपयोग करें।" नियंत्रण का यह स्तर अधिक व्यक्तिगत आवाज अनुभव के लिए अनुमति देता है।
यहाँ एक "सच्ची अपराध-शैली" का एक नमूना है, जो कि आवाज दी गई है:
और यहाँ एक महिला "पेशेवर" आवाज का एक उदाहरण है:
ओपनईएआई की उत्पाद टीम के एक सदस्य जेफ हैरिस ने टेकक्रंच पर जोर दिया कि उद्देश्य डेवलपर्स को आवाज "अनुभव" और "संदर्भ" दोनों को अनुकूलित करने में सक्षम बनाना है। "विभिन्न परिदृश्यों में, आप एक नीरस आवाज नहीं चाहते हैं," हैरिस ने समझाया। "उदाहरण के लिए, एक ग्राहक सहायता सेटिंग में जहां आवाज को गलती के लिए माफी मांगने की जरूरत है, आप उस भावना को आवाज में संक्रमित कर सकते हैं। हम दृढ़ता से मानते हैं कि डेवलपर्स और उपयोगकर्ता न केवल सामग्री, बल्कि भाषण के तरीके को नियंत्रित करना चाहते हैं।"
Openai के नए स्पीच-टू-टेक्स्ट प्रसाद, "GPT-4O-Transcribe" और "GPT-4O-Mini-Transcribe" पर जाना, ये मॉडल पुराने व्हिस्पर ट्रांसक्रिप्शन मॉडल को बदलने के लिए तैयार हैं। उच्च-गुणवत्ता वाले ऑडियो डेटा के एक विविध सरणी पर प्रशिक्षित, वे बेहतर तरीके से उच्चारण और विविध भाषण को संभालने का दावा करते हैं, यहां तक कि शोर सेटिंग्स में भी। इसके अतिरिक्त, इन मॉडलों को "मतिभ्रम" के लिए कम प्रवण होता है, एक समस्या जहां कानाफूसी कभी -कभी शब्दों या पूरे मार्ग का आविष्कार करती है, नस्लीय टिप्पणी या काल्पनिक चिकित्सा उपचार जैसी अशुद्धि को जोड़ते हैं।
"ये मॉडल इस संबंध में कानाफूसी पर महत्वपूर्ण सुधार दिखाते हैं," हैरिस ने कहा। "एक भरोसेमंद आवाज के अनुभव के लिए मॉडल सटीकता सुनिश्चित करना महत्वपूर्ण है, और सटीकता से, हमारा मतलब है कि मॉडल बिना किसी सामग्री को जोड़ने के बोले गए शब्दों को सही ढंग से कैप्चर करते हैं।"
हालांकि, प्रदर्शन भाषाओं में भिन्न हो सकता है। Openai के आंतरिक बेंचमार्क से संकेत मिलता है कि GPT-4O-Transcribe, दोनों के अधिक सटीक, तमिल, तेलुगु, मलयालम और कन्नड़ जैसी इंडिक और द्रविड़ियन भाषाओं के लिए 30% के पास "शब्द त्रुटि दर" है। इससे पता चलता है कि प्रत्येक दस शब्दों में से लगभग तीन इन भाषाओं में एक मानव प्रतिलेखन से भिन्न हो सकते हैं।
Openai प्रतिलेखन बेंचमार्किंग से परिणाम। छवि क्रेडिट: Openai
अपने सामान्य अभ्यास से एक प्रस्थान में, Openai इन नए प्रतिलेखन मॉडल को स्वतंत्र रूप से उपलब्ध नहीं कराएगा। ऐतिहासिक रूप से, उन्होंने वाणिज्यिक उपयोग के लिए एक एमआईटी लाइसेंस के तहत नए व्हिस्पर संस्करण जारी किए। हैरिस ने बताया कि GPT-4O-Transcribe और GPT-4O-Mini-Transcribe कानाफूसी से काफी बड़ा है, जिससे वे खुली रिलीज के लिए अनुपयुक्त हो जाते हैं।
हैरिस ने कहा, "ये मॉडल एक विशिष्ट लैपटॉप पर दौड़ने के लिए बहुत बड़े हैं।" "जब हम मॉडल को खुले तौर पर जारी करते हैं, तो हम इसे सोच-समझकर करना चाहते हैं, यह सुनिश्चित करते हुए कि वे विशिष्ट आवश्यकताओं के अनुरूप हैं। हम अंत-उपयोगकर्ता उपकरणों को ओपन-सोर्स मॉडल के लिए एक प्रमुख क्षेत्र के रूप में देखते हैं।"
20 मार्च, 2025, 11:54 पूर्वाह्न पीटी को शब्द त्रुटि दर के आसपास भाषा को स्पष्ट करने के लिए और अधिक हाल के संस्करण के साथ बेंचमार्क परिणाम चार्ट को अपडेट करने के लिए।
संबंधित लेख
OpenAI升級其Operator Agent的AI模型
OpenAI將Operator推向全新境界OpenAI正為其自主AI代理Operator進行重大升級。這項變革意味著Operator即將採用基於o3模型的架構，這是OpenAI尖端o系列推理模型的最新成員。此前Operator一直使用客製化版本的GPT-4o驅動，但這次迭代將帶來顯著改進。o3的突破性意義在數學與邏輯推理任務方面，o3幾乎在所有指標上都超越前
OpenAI的o3 AI模型在基準測試中的得分低於最初暗示的水準
為什麼 AI 基準測試的差異很重要？提到 AI 時，數字往往能說明一切——有時，這些數字並不一定完全相符。以 OpenAI 的 o3 模型為例。最初的聲稱簡直令人驚嘆：據報導，o3 可以處理超過 25% 的 notoriously tough FrontierMath 問題。作為參考，競爭對手還停留在個位數。但隨著近期的發展，受人尊敬的研究機構 Epoch
Ziff Davis指控OpenAI涉嫌侵權
Ziff Davis控告OpenAI版權侵權訴訟這起事件在科技和出版界掀起了軒然大波，Ziff Davis——旗下擁有CNET、PCMag、IGN和Everyday Health等品牌的龐大企業聯盟——已對OpenAI提起版權侵權訴訟。根據《紐約時報》的報導，該訴訟聲稱OpenAI故意未經許可使用Ziff Davis的內容，製作了其作品的「精確副本」。這是截
सूचना (30)
0/200
![ThomasBaker]()
ThomasBaker
12 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI's new transcription and voice models are a game-changer! 🎤 The improvements are legit, making my workflow so much smoother. Can't wait to see what else they come up with in their 'agentic' vision. Keep it up, OpenAI! 🚀
0
![EmmaTurner]()
EmmaTurner
12 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAIの新しいトランスクリプションと音声生成モデルは革命的！🎤 改善点が本物で、私の作業がずっとスムーズになった。'agentic'ビジョンで次に何を出すのか楽しみだね。頑張れ、OpenAI！🚀
0
![DanielThomas]()
DanielThomas
11 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI의 새로운 전사 및 음성 생성 모델은 혁신적이야! 🎤 개선 사항이 진짜라서 내 작업 흐름이 훨씬 더 부드러워졌어. 'agentic' 비전에서 다음에 무엇을 내놓을지 기대돼. 계속해라, OpenAI! 🚀
0
![JasonMartin]()
JasonMartin
15 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
Os novos modelos de transcrição e geração de voz da OpenAI são revolucionários! 🎤 As melhorias são reais, tornando meu fluxo de trabalho muito mais suave. Mal posso esperar para ver o que mais eles vão lançar na visão 'agentic'. Continue assim, OpenAI! 🚀
0
![RobertLewis]()
RobertLewis
10 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI के नए ट्रांसक्रिप्शन और वॉइस जनरेशन मॉडल क्रांतिकारी हैं! 🎤 सुधार वास्तविक हैं, जिससे मेरा कार्यप्रवाह बहुत आसान हो गया है। 'एजेंटिक' विजन में वे और क्या लाएंगे, इसका इंतजार नहीं कर सकता। आगे बढ़ो, OpenAI! 🚀
0
![OliverPhillips]()
OliverPhillips
12 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI's new transcription and voice models sound promising! I'm excited to see how these upgrades will improve my workflow. The idea of autonomous systems is cool, but I hope they don't get too creepy. 🤖
0
Openai अपने API के माध्यम से ट्रांसक्रिप्शन और वॉयस जनरेशन के लिए नए AI मॉडल को रोल कर रहा है, जो अपने पहले के संस्करणों पर महत्वपूर्ण सुधार का वादा करता है। ये अपडेट Openai के बड़े "एजेंटिक" विज़न का हिस्सा हैं, जो उपयोगकर्ताओं के लिए स्वतंत्र रूप से कार्य करने में सक्षम स्वायत्त प्रणालियों को बनाने पर केंद्रित है। जबकि "एजेंट" शब्द पर बहस की जा सकती है, ओपनई के उत्पाद के प्रमुख, ओलिवियर गोडेम, इसे एक चैटबॉट के रूप में देखते हैं जो एक व्यवसाय के ग्राहकों के साथ बातचीत कर सकता है।
"हम आने वाले महीनों में अधिक से अधिक एजेंटों को देखने जा रहे हैं," एक ब्रीफिंग के दौरान TechCrunch के साथ साझा किया गया था। "ओवररचिंग लक्ष्य ग्राहकों और डेवलपर्स को उन एजेंटों का उपयोग करने में सहायता करना है जो उपयोगी, सुलभ और सटीक हैं।"
Openai के नवीनतम टेक्स्ट-टू-स्पीच मॉडल, "GPT-4O-MINI-TTS" डब किए गए, न केवल अधिक आजीवन और बारीक भाषण का उत्पादन करना है, बल्कि इसके पूर्ववर्तियों की तुलना में अधिक अनुकूलनीय है। डेवलपर्स अब प्राकृतिक भाषा के आदेशों का उपयोग करके मॉडल का मार्गदर्शन कर सकते हैं, जैसे कि "एक पागल वैज्ञानिक की तरह बोलें" या "माइंडफुलनेस शिक्षक की तरह एक शांत आवाज का उपयोग करें।" नियंत्रण का यह स्तर अधिक व्यक्तिगत आवाज अनुभव के लिए अनुमति देता है।
यहाँ एक "सच्ची अपराध-शैली" का एक नमूना है, जो कि आवाज दी गई है:
और यहाँ एक महिला "पेशेवर" आवाज का एक उदाहरण है:
ओपनईएआई की उत्पाद टीम के एक सदस्य जेफ हैरिस ने टेकक्रंच पर जोर दिया कि उद्देश्य डेवलपर्स को आवाज "अनुभव" और "संदर्भ" दोनों को अनुकूलित करने में सक्षम बनाना है। "विभिन्न परिदृश्यों में, आप एक नीरस आवाज नहीं चाहते हैं," हैरिस ने समझाया। "उदाहरण के लिए, एक ग्राहक सहायता सेटिंग में जहां आवाज को गलती के लिए माफी मांगने की जरूरत है, आप उस भावना को आवाज में संक्रमित कर सकते हैं। हम दृढ़ता से मानते हैं कि डेवलपर्स और उपयोगकर्ता न केवल सामग्री, बल्कि भाषण के तरीके को नियंत्रित करना चाहते हैं।"
Openai के नए स्पीच-टू-टेक्स्ट प्रसाद, "GPT-4O-Transcribe" और "GPT-4O-Mini-Transcribe" पर जाना, ये मॉडल पुराने व्हिस्पर ट्रांसक्रिप्शन मॉडल को बदलने के लिए तैयार हैं। उच्च-गुणवत्ता वाले ऑडियो डेटा के एक विविध सरणी पर प्रशिक्षित, वे बेहतर तरीके से उच्चारण और विविध भाषण को संभालने का दावा करते हैं, यहां तक कि शोर सेटिंग्स में भी। इसके अतिरिक्त, इन मॉडलों को "मतिभ्रम" के लिए कम प्रवण होता है, एक समस्या जहां कानाफूसी कभी -कभी शब्दों या पूरे मार्ग का आविष्कार करती है, नस्लीय टिप्पणी या काल्पनिक चिकित्सा उपचार जैसी अशुद्धि को जोड़ते हैं।
"ये मॉडल इस संबंध में कानाफूसी पर महत्वपूर्ण सुधार दिखाते हैं," हैरिस ने कहा। "एक भरोसेमंद आवाज के अनुभव के लिए मॉडल सटीकता सुनिश्चित करना महत्वपूर्ण है, और सटीकता से, हमारा मतलब है कि मॉडल बिना किसी सामग्री को जोड़ने के बोले गए शब्दों को सही ढंग से कैप्चर करते हैं।"
हालांकि, प्रदर्शन भाषाओं में भिन्न हो सकता है। Openai के आंतरिक बेंचमार्क से संकेत मिलता है कि GPT-4O-Transcribe, दोनों के अधिक सटीक, तमिल, तेलुगु, मलयालम और कन्नड़ जैसी इंडिक और द्रविड़ियन भाषाओं के लिए 30% के पास "शब्द त्रुटि दर" है। इससे पता चलता है कि प्रत्येक दस शब्दों में से लगभग तीन इन भाषाओं में एक मानव प्रतिलेखन से भिन्न हो सकते हैं।
अपने सामान्य अभ्यास से एक प्रस्थान में, Openai इन नए प्रतिलेखन मॉडल को स्वतंत्र रूप से उपलब्ध नहीं कराएगा। ऐतिहासिक रूप से, उन्होंने वाणिज्यिक उपयोग के लिए एक एमआईटी लाइसेंस के तहत नए व्हिस्पर संस्करण जारी किए। हैरिस ने बताया कि GPT-4O-Transcribe और GPT-4O-Mini-Transcribe कानाफूसी से काफी बड़ा है, जिससे वे खुली रिलीज के लिए अनुपयुक्त हो जाते हैं।
हैरिस ने कहा, "ये मॉडल एक विशिष्ट लैपटॉप पर दौड़ने के लिए बहुत बड़े हैं।" "जब हम मॉडल को खुले तौर पर जारी करते हैं, तो हम इसे सोच-समझकर करना चाहते हैं, यह सुनिश्चित करते हुए कि वे विशिष्ट आवश्यकताओं के अनुरूप हैं। हम अंत-उपयोगकर्ता उपकरणों को ओपन-सोर्स मॉडल के लिए एक प्रमुख क्षेत्र के रूप में देखते हैं।"
20 मार्च, 2025, 11:54 पूर्वाह्न पीटी को शब्द त्रुटि दर के आसपास भाषा को स्पष्ट करने के लिए और अधिक हाल के संस्करण के साथ बेंचमार्क परिणाम चार्ट को अपडेट करने के लिए।
OpenAI升級其Operator Agent的AI模型
OpenAI將Operator推向全新境界OpenAI正為其自主AI代理Operator進行重大升級。這項變革意味著Operator即將採用基於o3模型的架構，這是OpenAI尖端o系列推理模型的最新成員。此前Operator一直使用客製化版本的GPT-4o驅動，但這次迭代將帶來顯著改進。o3的突破性意義在數學與邏輯推理任務方面，o3幾乎在所有指標上都超越前
OpenAI的o3 AI模型在基準測試中的得分低於最初暗示的水準
為什麼 AI 基準測試的差異很重要？提到 AI 時，數字往往能說明一切——有時，這些數字並不一定完全相符。以 OpenAI 的 o3 模型為例。最初的聲稱簡直令人驚嘆：據報導，o3 可以處理超過 25% 的 notoriously tough FrontierMath 問題。作為參考，競爭對手還停留在個位數。但隨著近期的發展，受人尊敬的研究機構 Epoch
Ziff Davis指控OpenAI涉嫌侵權
Ziff Davis控告OpenAI版權侵權訴訟這起事件在科技和出版界掀起了軒然大波，Ziff Davis——旗下擁有CNET、PCMag、IGN和Everyday Health等品牌的龐大企業聯盟——已對OpenAI提起版權侵權訴訟。根據《紐約時報》的報導，該訴訟聲稱OpenAI故意未經許可使用Ziff Davis的內容，製作了其作品的「精確副本」。這是截
12 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI's new transcription and voice models are a game-changer! 🎤 The improvements are legit, making my workflow so much smoother. Can't wait to see what else they come up with in their 'agentic' vision. Keep it up, OpenAI! 🚀
0
12 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAIの新しいトランスクリプションと音声生成モデルは革命的！🎤 改善点が本物で、私の作業がずっとスムーズになった。'agentic'ビジョンで次に何を出すのか楽しみだね。頑張れ、OpenAI！🚀
0
11 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI의 새로운 전사 및 음성 생성 모델은 혁신적이야! 🎤 개선 사항이 진짜라서 내 작업 흐름이 훨씬 더 부드러워졌어. 'agentic' 비전에서 다음에 무엇을 내놓을지 기대돼. 계속해라, OpenAI! 🚀
0
15 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
Os novos modelos de transcrição e geração de voz da OpenAI são revolucionários! 🎤 As melhorias são reais, tornando meu fluxo de trabalho muito mais suave. Mal posso esperar para ver o que mais eles vão lançar na visão 'agentic'. Continue assim, OpenAI! 🚀
0
10 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI के नए ट्रांसक्रिप्शन और वॉइस जनरेशन मॉडल क्रांतिकारी हैं! 🎤 सुधार वास्तविक हैं, जिससे मेरा कार्यप्रवाह बहुत आसान हो गया है। 'एजेंटिक' विजन में वे और क्या लाएंगे, इसका इंतजार नहीं कर सकता। आगे बढ़ो, OpenAI! 🚀
0
12 अप्रैल 2025 12:00:00 पूर्वाह्न GMT
OpenAI's new transcription and voice models sound promising! I'm excited to see how these upgrades will improve my workflow. The idea of autonomous systems is cool, but I hope they don't get too creepy. 🤖
0
