OpenAI ha annunciato il lancio di tre nuovi modelli audio, basati sull’architettura GPT-4o, che promettono di rivoluzionare il settore del riconoscimento e della sintesi vocale. Questi modelli, denominati gpt-4o-transcribe, gpt-4o-mini-transcribe e gpt-4o-mini-tts, rappresentano un significativo avanzamento rispetto al precedente modello Whisper, noto per le sue limitazioni e “allucinazioni”.
Riconoscimento vocale potenziato
“I nostri ultimi modelli di riconoscimento vocale stabiliscono una nuova riferimento in materia di precisione e affidabilità, superando le soluzioni esistenti — soprattutto in situazioni complesse che coinvolgono accenti, rumore di fondo o velocità di eloquio variabili”, dichiara OpenAI.
I modelli gpt-4o-transcribe e gpt-4o-mini-transcribe offrono una migliore riconoscimento delle parole, con un tasso di errore ridotto, e una maggiore precisione linguistica rispetto ai modelli Whisper originali. Gpt-4o-transcribe, in particolare, mostra risultati superiori nel tasso di errore di parole, grazie all’apprendimento per rinforzo e a un addestramento approfondito su set di dati audio eterogenei. Questi modelli captano meglio le sfumature del linguaggio parlato, minimizzano gli errori di interpretazione e incrementano l’attendibilità delle trascrizioni, anche in contesti difficili.
Personalizzazione della sintesi vocale
Parallelamente, OpenAI introduce gpt-4o-mini-tts, dedicato alla personalizzazione del modello audio. “I programmatori possono indicare al modello non solo cosa dire, ma anche come dirlo”, attraverso voci artificiali predefinite, afferma OpenAI. Questo modello apre, quindi, nuove prospettive per la creazione di agenti vocali con personalità e stili di comunicazione specifici, adatti a svariati casi d’uso, come i centri di assistenza clienti.
Architettura GPT-4o e futuri sviluppi
Tutti i nuovi modelli si basano sulle architetture GPT-4o e GPT-4o-mini e sono stati addestrati su set di dati audio specializzati. OpenAI prevede di espandere ulteriormente le capacità di questi modelli, consentendo ai programmatori di integrare voci personalizzate e di esplorare modalità di comunicazione multimodale, inclusa la video.
Integrazione e visione a lungo termine
OpenAI prosegue, dunque, il suo percorso di sviluppo di sistemi autonomi capaci di svolgere compiti per conto degli utenti, attraverso iniziative come Operator, Deep Research, Computer-Using Agents e l’API Responses con strumenti integrati. L’introduzione dei modelli audio rappresenta un ulteriore passo verso l’obiettivo di realizzare una comunicazione più naturale e intuitiva tra uomo e macchina.
Fonte: Usine Digitale.
