GPT Transcribe: transkrypcja tańsza od Whispera

OpenAI udostępniło 28 lipca dwa nowe modele zamieniające mowę na tekst. GPT Transcribe przepisuje gotowe nagrania i kosztuje 0,0045 dolara za minutę, czyli 27 centów za godzinę materiału. GPT Live Transcribe robi to samo na żywo, w trakcie mówienia, za 0,017 dolara za minutę. Pierwszy z nich jest o jedną czwartą tańszy od Whispera, którego wielu ludzi używa do dziś. Zanim jednak przepniesz swoje narzędzia, sprawdź jedną rzecz: żaden z tych modeli nie zrobi Ci napisów do filmu.

Dwa modele, dwa zupełnie różne zastosowania

Podział jest prosty i warto go zrozumieć, bo różnica w cenie między nimi jest prawie czterokrotna.

GPT Transcribe bierze plik, który już masz. Nagrany webinar, podcast, nagranie rozmowy z dyktafonu, ścieżkę dźwiękową z filmu. Wrzucasz całość i dostajesz tekst. To jest przypadek, który dotyczy większości ludzi, i to on kosztuje owe 27 centów za godzinę.

GPT Live Transcribe działa w trakcie. Mówisz do mikrofonu, a tekst pojawia się na bieżąco, słowo po słowie. Producent opisuje go jako model do zastosowań wymagających „niskich opóźnień”, z możliwością regulowania, jak bardzo model ma się spieszyć kosztem dokładności. Tu płacisz 1,02 dolara za godzinę, czyli prawie cztery razy więcej.

Wybór jest więc łatwiejszy, niż się wydaje. Jeśli nagranie już istnieje, nie ma powodu sięgać po droższy model, nawet jeśli chcesz widzieć tekst pojawiający się stopniowo. Tekst z gotowego pliku również może pojawiać się stopniowo, co nie ma nic wspólnego z tym, czy dźwięk przychodzi na żywo.

Ile to naprawdę kosztuje

Nowa cena dla plików wygląda tak na tle tego, co OpenAI ma w cenniku dzisiaj:

• GPT Transcribe: 0,0045 dolara za minutę, czyli 0,27 dolara za godzinę.
• Whisper: 0,006 dolara za minutę, czyli 0,36 dolara za godzinę. To ten model, który przez lata był domyślnym wyborem.
• GPT-4o Transcribe: 0,006 dolara za minutę, tyle samo co Whisper.
• GPT-4o Mini Transcribe: 0,003 dolara za minutę, wciąż najtańszy, ale to starsza i słabsza generacja.
• GPT-4o Transcribe Diarize: 0,006 dolara za minutę, jedyny z tej listy, który rozpoznaje, kto mówi.

Przełóżmy to na sytuację z życia. Godzinne spotkanie zespołu przepisane w całości to 27 centów. Dziesięć takich spotkań miesięcznie to 2,70 dolara. Cotygodniowy podcast po 40 minut przez rok to niecałe 10 dolarów. To są kwoty, przy których pytanie „czy warto” przestaje mieć sens, bo koszt schodzi poniżej progu, przy którym cokolwiek się liczy.

Warto tylko pamiętać, że mówimy o rozliczeniu za dostęp programistyczny, czyli przez API. Jeśli korzystasz z transkrypcji przez gotową aplikację, płacisz tyle, ile życzy sobie jej twórca, a on doliczy swoją marżę do tych stawek.

Czego te modele nie potrafią

Tu jest haczyk, który łatwo przeoczyć, bo dokumentacja mówi o nim jednym zdaniem w tabeli. Nowe modele przepisują mowę na tekst i na tym kończą.

• Nie robią napisów. Do plików SRT i VTT, czyli formatów, które wgrywa się na YouTube, oraz do znaczników czasu przy poszczególnych słowach nadal trzeba użyć starego Whispera.
• Nie rozpoznają, kto mówi. Do podziału rozmowy na osoby służy osobny model, GPT-4o Transcribe Diarize.
• Nie tłumaczą na angielski. Ta funkcja też została przy Whisperze.

Innymi słowy: jeśli chcesz dostać notatki ze spotkania z podziałem na uczestników albo napisy do filmu, nowe modele same tego nie załatwią. Za to jeśli potrzebujesz po prostu treści rozmowy w formie tekstu, dostajesz ją taniej i dokładniej.

Trzy rzeczy, które realnie poprawiają jakość

Oba modele przyjmują trzy rodzaje podpowiedzi i to jest ich najbardziej praktyczna nowość. Podajesz je razem z nagraniem:

• Kontekst, czyli swobodny opis tego, o czym jest nagranie. Wystarczy zdanie w rodzaju „rozmowa o wdrożeniu systemu kadrowego w firmie budowlanej”. Działa to podobnie do zwykłego promptu.
• Słowa kluczowe, czyli lista nazw, które padną w nagraniu. Dokumentacja wymienia nazwy produktów, leków i skróty. To lekarstwo na klasyczny problem: model zna język, ale nie zna nazwy Twojej firmy, więc zapisuje ją fonetycznie i za każdym razem inaczej.
• Lista języków, gdy w nagraniu pada więcej niż jeden. To ma spore znaczenie w polskich realiach, bo rozmowa o pracy nad oprogramowaniem naturalnie miesza polski z angielskim, a przełączanie się między językami w połowie zdania to sytuacja, na której starsze modele często się gubiły. Producent wymienia ten przypadek wprost jako jeden z powodów, dla których te podpowiedzi powstały.

Co zrobić dziś

Jeśli masz gdzieś w narzędziu ustawiony Whisper i przepisujesz nim nagrania, przełączenie na GPT Transcribe obniży rachunek o jedną czwartą, o ile nie korzystasz ze znaczników czasu ani napisów. To warunek, który trzeba sprawdzić przed zmianą, a nie po.

Osobno warto zanotować sobie jedną datę. OpenAI zapowiedziało 20 lipca, że 20 stycznia 2027 roku wyłączy dziewięć starszych modeli głosowych, wskazując dla każdego następcę. Whisper i GPT-4o Transcribe nie są na tej liście, więc jeśli używasz ich do napisów, nic im nie grozi. Jeśli natomiast Twoje narzędzie korzysta ze starszego modelu głosowego, masz pół roku na spokojną zmianę i warto sprawdzić to wcześniej niż w styczniu. Przy okazji przypominamy, że OpenAI dołożyło niedawno twarde limity wydatków, i przy transkrypcji długich nagrań to zabezpieczenie, które warto sobie ustawić od razu.