OpenAI vient d’annoncer l’arrivée de deux nouveaux modèles de transcription audio. Le premier se nomme GPT-Live-Transcribe, tandis que le second s’appelle GPT-Transcribe.
GPT-Live-Transcribe, si vous ne l’avez pas encore deviné, est conçu pour retranscrire des conversations en direct. GPT-Transcribe, quant à lui, cible les fichiers audio déjà enregistrés ainsi que les traitements par lots. Tous deux sont disponibles via l’API.
We're introducing two new transcription models in the API:
• GPT-Live-Transcribe: built for low-latency live transcription.
• GPT-Transcribe: optimized for asynchronous transcription of completed audio files and batch workloads.
Both models better understand context and… pic.twitter.com/T4rQpKaGmk— OpenAI Developers (@OpenAIDevs) July 28, 2026
De quoi sont-ils capables ?
Selon OpenAI, GPT-Live-Transcribe et GPT-Transcribe comprennent mieux le contexte. Ils offrent une transcription plus fidèle des conversations réelles.
Ces modèles sont capables de gérer les accents, les changements de langue tout comme les phrases courtes et les nombres. Ils comprennent le vocabulaire technique et s’en sortent mieux que les générations précédentes avec les échanges dans des environnements bruyants.
Par ailleurs, vous pouvez améliorer leur précision en fournissant des informations complémentaires. Genre, le sujet de la conversation, des mots-clés, les langues attendues ou encore les transcriptions précédentes.
Cela dit, notez que ces informations servent uniquement à aider le modèle à mieux comprendre l’audio. Elles ne doivent pas être utilisées pour lui redonner l’instruction de transcrire, et les mots-clés ne sont intégrés au texte que s’ils sont réellement prononcés.
Que disent les benchmarks ?
Les premiers résultats publiés par OpenAI montrent des progrès notables. Pour GPT-Live-Transcribe, la précision sémantique passe de 38,5 % à 44,6 % lorsqu’on fournit un contexte.
Le modèle affiche également un taux d’erreur de transcription de 19,70 % sur un test couvrant 22 langues. Ce, contre 20,33 % pour GPT-Realtime-Whisper-1.
Sur un autre benchmark reproduisant des enregistrements du monde réel dans neuf langues, son taux d’erreur tombe à 9,60 %. Contre 11,65 % pour son prédécesseur.
De son côté, GPT-Transcribe obtient lui aussi de meilleurs résultats. Sa précision sémantique progresse de 41,6 % à 45,2 % avec l’ajout de contexte. Sur le benchmark Common Voice, il atteint un taux d’erreur de 19,27 %. Soit près de deux fois moins que Whisper (whisper-1), qui affiche 40,37 %.
Enfin, sur le benchmark Real-World Audio Recording, GPT-Transcribe descend à 8,98 % de taux d’erreur, contre 15,21 % pour Whisper.
GPT-Live-Transcribe et GPT-Transcribe : quelles différences ?
Eh bien, les deux modèles permettent de convertir automatiquement un enregistrement vocal en texte. Le choix dépend juste de la nature de votre source audio.
| Flux de travail | Quand l’utiliser ? | Modèle recommandé |
| Transcription de fichier | Pour un enregistrement déjà terminé ou un fichier audio prêt à être envoyé. Il suffit de téléverser le fichier pour obtenir une transcription finale, avec la possibilité de suivre sa génération en temps réel pendant le traitement. | gpt-transcribe |
| Transcription en temps réel | Pour un microphone, un appel téléphonique ou tout autre flux audio diffusé en direct. Le texte est généré au fur et à mesure que les paroles sont prononcées. | gpt-live-transcribe |
OpenAI souligne toutefois qu’il ne faut pas confondre la transcription en continu et la transcription en temps réel. Un fichier audio déjà enregistré peut être retranscrit progressivement sans nécessiter une session en temps réel.
En revanche, ce mode est indispensable lorsque l’audio est capté en direct ou qu’une connexion permanente est requise.
- Partager l'article :
