一句话看懂：OpenAI 推出新一代转录 API 模型 GPT Transcribe 和 GPT Live Transcribe，错误率较前代降低 0.7 个百分点，但在当前开源与闭源模型的竞争中，其准确率仍落后于 ElevenLabs、Google 和 Mistral 的头部产品，同时价格已被对手拉低。
事件核心：发生了什么
2026 年 7 月 29 日，OpenAI 通过 API 发布了两款新的语音识别模型：GPT Transcribe（处理预录音频，速度约为实时 34 倍）和 GPT Live Transcribe（面向低延迟实时流）。根据第三方基准测试 AA-WER，GPT Transcribe 的词错误率（WER）为 3.31%，比一年前的 GPT-4o Transcribe 改善约 0.7 个百分点。定价方面，OpenAI 降价 25% 至每分钟音频 0.0045 美元。新模型支持文本上下文、关键词及多语言输入。
然而，在 AA-WER 排行榜上，OpenAI 仍落后于主要竞品：ElevenLabs Scribe v2 以 2.3% 领先，Google Gemini 3 Pro 为 2.9%，Mistral Voxtral Small 为 3.0%。值得注意的是，Mistral 前不久推出的 Voxtral Transcribe V2 已将价格压至每分钟 0.003 美元。
为什么重要
这轮更新揭示了语音转录赛道进入“平权”阶段：准确率提升趋于平稳（每代改进不到 1 个百分点），竞争焦点正从单纯拼精度转向定价、延迟和开发者生态。OpenAI 凭借品牌和 API 整合能力仍占据有利位置，但 ElevenLabs 与 Mistral 以更低的错误率和更激进的价格策略，正在侵蚀其市场份额。同时，Google 的 Gemini 3 Pro 表现也证明端到端多模态模型的转录能力已不输专用模型。这意味着企业用户在采购转录服务时有了更多性价比选择，不再局限于 OpenAI 一家。
对用户/开发者/创作者的影响
对开发者：GPT Transcribe 的 34 倍加速和实时模型降低了集成门槛，但需评估准确率是否满足业务场景（如医疗、法律等对误差敏感的场景）。如果追求最低错误率，ElevenLabs 或 Mistral 可能更优；若需要与 OpenAI 的其他 API（如 GPT-4o、Realtime）深度集成，则继续使用 OpenAI 更便捷。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对创作者：字幕生成、会议纪要、播客转写等场景的成本进一步下降。按每分钟 0.0045 美元计算，处理一小时音频仅需 0.27 美元，相比一年前节省约 25%。但需注意，若接受 3.31% 的错误率，后期校对时间可能抵消降价收益。
对微调/训练团队：OpenAI 同时发布了 GPT-Realtime-Whisper 实时转录模型，与新的 Realtime 模型生成功能配合，为语音交互式 AI（如语音助手、客服）提供了统一接口，值得测试。
值得关注的后续
1. 价格战是否会继续：Mistral 已拉低至 $0.003/分钟，OpenAI 是否会进一步降价或推出更低成本的轻量版？
2. ElevenLabs 的护城河：其 Scribe v2 错误率领先约 1 个百分点，能否在更多语种和噪声环境下保持优势？
3. 多模态融合趋势：Google 的 Gemini 3 Pro 作为多模态模型取得较好转录成绩，未来专用转录模型是否会逐渐被通用多模态模型取代？OpenAI 的 GPT-5 或后续版本若整合更强语音能力，可能改变格局。
