GPT-Realtime-Whisper

GPT-Realtime-Whisper ist ein dediziertes Streaming-Modell für Echtzeittranskription. Es erzeugt Text aus Audio-Streams und lässt Entwickler Latenz und Genauigkeit anpassen. Der dokumentierte Ausgabepfad sind laufende Transkript-Deltas statt gesprochener Antworten. Im Unterschied zu GPT-Realtime 2.1 gibt das Modell laut OpenAI Text aus und dokumentiert Audio als Eingabe für die Echtzeittranskription.

Das dokumentierte Kontextfenster umfasst 16.000 Token, die maximale Ausgabe 2.000 Token. Funktionsaufrufe und strukturierte Ausgaben sind nicht unterstützt. Das Modell hat laut OpenAI eine Wissensgrenze vom 30. September 2024. Seine enge Spezialisierung zeigt sich in Audio-Eingabe und Text-Ausgabe. OpenAI rechnet nach Audiominuten statt nach Text-Token ab.