OpenAI தனது speech-to-text திறன்களை GPT Transcribe மற்றும் GPT Live Transcribe ஆகியவற்றை வெளியிடுவதன் மூலம் அதிகாரப்பூர்வமாக விரிவுபடுத்தியுள்ளது. இந்த புதிய API மூலம் இயங்கும் மாதிரிகள், தொகுப்பு செயலாக்கம் (batch processing) மற்றும் நிகழ்நேர ஸ்ட்ரீமிங் (real-time streaming) பயன்பாடுகள் ஆகிய இரண்டிற்கும் அதிவேகமான மற்றும் சிக்கனமான டிரான்ஸ்கிரிப்ஷன் சேவையை வழங்குவதை நோக்கமாகக் கொண்டுள்ளன.

வேகம், துல்லியம் மற்றும் மேம்படுத்தப்பட்ட விலை நிர்ணயம்

இந்த புதிய வெளியீடு இரண்டு தனித்துவமான பணிப்பாய்வுகளை அறிமுகப்படுத்துகிறது: முன்கூட்டியே பதிவு செய்யப்பட்ட ஆடியோ கோப்புகளைச் செயலாக்க வடிவமைக்கப்பட்ட GPT Transcribe, மற்றும் குறைந்த தாமதத்துடன் கூடிய நிகழ்நேர ஸ்ட்ரீமிங்கிற்கு உகந்த GPT Live Transcribe. இதில் ஒரு குறிப்பிடத்தக்க தொழில்நுட்ப சாதனை என்னவென்றால், GPT Transcribe-ன் வேகம் ஆகும்; இது ஆடியோ கோப்புகளை நிகழ்நேரத்தை விட சுமார் 34 மடங்கு வேகமாகச் செயலாக்க முடியும்.

துல்லியத்தைப் பொறுத்தவரை, OpenAI குறிப்பிடத்தக்க முன்னேற்றங்களைச் செய்துள்ளது. Artificial Analysis நிறுவனத்தின் AA-WER அளவுகோலின்படி, GPT Transcribe 3.31 சதவீத சொல் பிழை விகிதத்தை (Word Error Rate - WER) எட்டுகிறது. இது அதன் முந்தைய மாடலான GPT-4o Transcribe-ஐ விட 0.7 சதவீத முன்னேற்றத்தைக் காட்டுகிறது. இந்த துல்லிய உயர்வோடு சேர்ந்து, விலையிலும் 25 சதவீதக் குறைப்பு செய்யப்பட்டுள்ளது; புதிய விலையானது ஆடியோவின் ஒரு நிமிடத்திற்கு $0.0045 என நிர்ணயிக்கப்பட்டுள்ளது. சூழல் சார்ந்த துல்லியத்தை மேம்படுத்த, இரண்டு மாதிரிகளும் உரை சூழல் (text context), குறிப்பிட்ட முக்கிய வார்த்தைகள் மற்றும் பல உள்ளீட்டு மொழிகளை ஆதரிக்கின்றன.

போட்டிச் சூழல்: OpenAI மற்றும் பெரும் நிறுவனங்கள்

இந்த முன்னேற்றங்கள் இருந்தபோதிலும், பேச்சுத் தொழில்நுட்ப ஆதிக்கத்திற்கான கடும் போட்டியில் OpenAI, தூய துல்லியத்தில் சிறப்புத் தலைவர்களைப் பின் தொடர்கிறது. AA-WER தரவரிசையின்படி, OpenAI-யின் 3.31% பிழை விகிதத்தை விடப் பின்வரும் முக்கியப் போட்டியாளர்கள் சிறந்த நிலையில் உள்ளனர்:

  • ElevenLabs: தனது Scribe v2 மாடல் மூலம் 2.3% பிழை விகிதத்துடன் இத்துறையில் முன்னணியில் உள்ளது.
  • Google: அதன் Gemini 3 Pro மாடல் 2.9% பிழை விகிதத்துடன் நெருக்கமாகப் பின்தொடர்கிறது.
  • Mistral: அதன் Voxtral Small மாடல் 3% பிழை விகிதத்துடன் வலுவான நிலையில் உள்ளது.

துல்லியத்தைத் தாண்டி, இந்தப் போர் இப்போது விலை போட்டியை நோக்கியும் நகர்ந்து வருகிறது. Mistral நிறுவனம் சமீபத்தில் தனது Voxtral Transcribe V2 மூலம் சந்தையில் குறைந்த விலையைத் தீர்மானித்து போட்டியைச் சமாளிக்க முயல்கிறது; இதன் விலை ஒரு நிமிடத்திற்கு வெறும் $0.003 எனத் தொடங்குகிறது.

OpenAI சுற்றுச்சூழல் அமைப்போடு (Ecosystem) ஒருங்கிணைப்பு

இந்த டிரான்ஸ்கிரிப்ஷன் மாதிரிகள் தனித்தனி கருவிகள் அல்ல; அவை OpenAI-யின் விரிவான மல்டிமோடல் (multimodal) உத்தியின் ஒருங்கிணைந்த கூறுகளாகும். இவை சமீபத்தில் அறிவிக்கப்பட்ட Realtime மாடல் உருவாக்கத்திற்குத் துணையாக வடிவமைக்கப்பட்டுள்ளன, இதில் GPT-Realtime-Whisper மாடலும் அடங்கும். அதிவேக தொகுப்பு டிரான்ஸ்கிரிப்ஷன் மற்றும் குறைந்த தாமதத்துடன் கூடிய நேரலை ஸ்ட்ரீமிங் ஆகிய இரண்டையும் வழங்குவதன் மூலம், தானியங்கி கூட்ட உதவியாளர்களை (automated meeting assistants) உருவாக்குபவர்கள் முதல் நிகழ்நேர மொழிபெயர்ப்பு சேவைகளை உருவாக்கும் டெவலப்பர்கள் வரை பலதரப்பட்ட பயனர்களுக்குச் சேவை செய்ய OpenAI தன்னைத் தயார்படுத்திக் கொள்கிறது.

பரந்த அளவிலான AI உலகத்தைப் பொறுத்தவரை, இந்த வளர்ச்சி "எந்த விலையும் கொடுத்து துல்லியத்தைப் பெறுதல்" என்பதிலிருந்து வேகம், செலவு மற்றும் துல்லியம் ஆகியவற்றின் சமநிலையான மேம்படுத்தலை நோக்கிய மாற்றத்தைக் குறிக்கிறது. OpenAI மிகக் குறைந்த பிழை விகிதத்தைக் கொண்ட மாடலாக இல்லாவிட்டாலும், குறிப்பிடத்தக்க செயல்திறன் நன்மைகளை வழங்கும் அதன் திறன், உற்பத்தித் தரத்திலான (production-grade) AI சந்தையில் அதை ஒரு வலிமையான போட்டியாளராக மாற்றுகிறது.

முக்கிய அம்சங்கள்

  • செயல்திறன் முன்னேற்றம்: GPT Transcribe சொல் பிழை விகிதத்தை (WER) 3.31% ஆகக் குறைக்கிறது மற்றும் ஆடியோவை நிகழ்நேரத்தை விட 34 மடங்கு வேகமாகச் செயலாக்குகிறது.
  • செலவுத் திறன்: OpenAI தனது டிரான்ஸ்கிரிப்ஷன் விலையை 25% குறைத்துள்ளது, இதன் மூலம் ஒரு நிமிடத்திற்கான செலவு $0.0045 ஆகக் குறைந்துள்ளது.
  • போட்டி அழுத்தம்: துல்லியத்தில் OpenAI இன்னும் ElevenLabs (2.3% WER) மற்றும் Google (2.9% WER) ஆகியவற்றை விடப் பின் தங்கியுள்ளது, அதே நேரத்தில் Mistral விலையில் முன்னணியில் உள்ளது.

OpenAI இரண்டு புதிய speech-to-text API-களை அறிமுகப்படுத்தியுள்ளது—தொகுப்பு கோப்புகளுக்கான GPT Transcribe மற்றும் ஸ்ட்ரீமிங்கிற்கான GPT Live Transcribe. இவை 34 மடங்கு வேகமான செயலாக்கத்தையும், ஒரு நிமிடத்திற்கு $0.0045 என்ற விலையில் 25 சதவீத விலை குறைப்பையும் உறுதியளிக்கின்றன.

டெவலப்பர்கள், குறைந்த லாப வரம்பிற்குள் இருந்துகொண்டே, பெருகிவரும் ஆடியோ தரவுத் தொகுப்புகளுக்கு இணையாகச் செயல்படக்கூடிய டிரான்ஸ்கிரிப்ஷன் சேவைகளுக்காகப் போராடி வரும் சூழலில் இந்த வெளியீடு அமைந்துள்ளது.

இந்த மேம்பாடு ஏன் முக்கியமானது

GPT Live Transcribe குறைந்த தாமதத்துடன் கூடிய ஸ்ட்ரீமிங்கைச் சேர்க்கிறது, இதன் மூலம் டெவலப்பர்கள் நேரலை மைக்ரோஃபோன் சிக்னலை API-க்குள் செலுத்தி, கிட்டத்தட்ட உடனடியாக உரையைப் பெற முடியும். இரண்டு மாதிரிகளும் கூடுதல் உரை சூழல், முக்கிய வார்த்தை குறிப்புகள் மற்றும் பலமொழி உள்ளீடுகளை ஏற்றுக்கொள்கின்றன, இது கணினி அமைப்பு குறிப்பிட்ட துறை சார்ந்த கலைச்சொற்களைத் துல்லியமாகக் கையாள உதவுகிறது.

துல்லியமும் மேம்பட்டுள்ளது. Artificial Analysis நிறுவனத்தின் AA-WER அளவுகோல், GPT Transcribe-க்கு 3.31 சதவீத சொல் பிழை விகிதத்தைப் (WER) பதிவு செய்துள்ளது, இது முந்தைய GPT-4o Transcribe மாடலை விட 0.7 புள்ளிகள் குறைவானதாகும். இது தரவரிசையில் மிகக் குறைந்த அளவாக இல்லாவிட்டாலும், இந்த வேறுபாடு மிகக் குறைவு என்பதால் பல உற்பத்திப் பாதைகள் (production pipelines) இதைத் தாங்கிக்கொள்ள முடியும்; குறிப்பாக வேகம் அதிகரிப்பதன் மூலம் கணினிச் செயலாக்கச் செலவுகள் (compute bills) குறையும் போது இது பயனுள்ளதாக இருக்கும்.

போட்டிச் சூழல்

அதே AA-WER தரவரிசை, தூய பிழை விகிதத்தில் OpenAI-யை விட மூன்று போட்டியாளர்கள் முன்னிலையில் இருப்பதைக் காட்டுகிறது:

  • ElevenLabs-ன் Scribe v2 2.3 சதவீதத்தில்
  • Google-ன் Gemini 3 Pro 2.9 சதவீதத்தில்
  • Mistral-ன் Voxtral Small 3 சதவீதத்தில்

Mistral-ன் சமீபத்திய Voxtral Transcribe V2, நிமிடத்திற்கு $0.003 என்ற விலையில் டிரான்ஸ்கிரிப்ஷனை (transcription) வழங்குவதன் மூலம் OpenAI-யை விடக் குறைந்த விலையைத் தருகிறது. இந்த எண்கள் ஒரு தெளிவான சமநிலையை (trade-off) உருவாக்குகின்றன: டெவலப்பர்கள் மிகக் குறைந்த நிமிடத் தொகையைத் தேடுகிறார்களா, மிகக் குறைந்த பிழை விகிதத்தைத் தேடுகிறார்களா அல்லது OpenAI-ன் விரிவான சுற்றுச்சூழல் (ecosystem) வழங்கும் ஒருங்கிணைப்பு வசதியைத் தேடுகிறார்களா என்பதைத் தீர்மானிக்க வேண்டும்.

டெவலப்பர்கள் எதைப் பெறுகிறார்கள் – மற்றும் எதை இழக்கிறார்கள்

வேகம் மற்றும் செலவு ஆகியவை முக்கிய நன்மைகளாகும். இதற்கு முன்பு ஒரு மணிநேரம் கணினித் திறன் (compute) தேவைப்பட்ட ஒரு பேட்ச் வேலை (batch job) இப்போது மிக விரைவாக முடிந்துவிடுகிறது, இது மற்ற வேலைகளுக்காக GPU நேரத்தை விடுவிக்கிறது. நிமிடத்திற்கு $0.0045 என்ற விகிதமானது, முந்தைய விலையுடன் ஒப்பிடும்போது பத்து மணிநேர டிரான்ஸ்கிரிப்ஷனின் செலவையும் குறைக்கிறது; ஆயிரக்கணக்கான மணிநேரங்களுக்குப் பயன்படுத்தும்போது இது ஒரு சிறிய ஆனால் குறிப்பிடத்தக்க சேமிப்பாகும்.

சுற்றுச்சூழல் ஒருங்கிணைப்பு (Ecosystem synergy) என்பது மற்றொரு விற்பனைப் புள்ளியாகும். புதிய மாடல்கள், சமீபத்தில் அறிவிக்கப்பட்ட Realtime model generation மற்றும் GPT-Realtime-Whisper உள்ளிட்ட OpenAI-ன் மல்டிமோடல் (multimodal) சேவைகளுடன் இணைந்து செயல்படுகின்றன. எனவே, வெவ்வேறு சேவை வழங்குநர்களைத் தனித்தனியாக இணைக்கத் தேவையில்லை; ஒரே ஒரு API key மூலம் இமேஜ் ஜெனரேஷன், சாட் மற்றும் இப்போது வேகமான டிரான்ஸ்கிரிப்ஷன் ஆகியவற்றைச் செயல்படுத்த முடியும். ஏற்கனவே OpenAI கட்டமைப்பைப் (stack) பயன்படுத்தும் குழுக்களுக்கு, இந்த ஒருமைப்பாடு அங்கீகாரச் சுமையை (authentication overhead) குறைக்கிறது மற்றும் பில்லிங் முறையை எளிதாக்குகிறது.

துல்லியத் தன்மையில் ஏற்படும் சமநிலைகள் (Accuracy trade-offs) இன்னும் முதன்மையான கவலையாகவே உள்ளன. 3.31 சதவீத WER என்பது இரைச்சல் மிகுந்த அல்லது குறிப்பிட்ட துறை சார்ந்த ஆடியோவில், ஒவ்வொரு முப்பது வார்த்தைகளுக்கும் தோராயமாக ஒரு தவறு என்று பொருள்படும். மருத்துவ டிக்டேஷன் (medical dictation) அல்லது சட்ட ரீதியான டிரான்ஸ்கிரிப்ஷன் போன்ற பிழைகள் அதிக ஆபத்தை விளைவிக்கக்கூடிய பயன்பாடுகள், அதிக செலவு இருந்தபோதிலும் ElevenLabs அல்லது Google-ஐத் தேர்ந்தெடுக்கலாம். தனிப்பயனாக்கப்பட்ட முக்கிய வார்த்தைகள் (custom keywords) மற்றும் சூழலை (context) உள்ளிடும் திறன் இந்த இடைவெளியைக் குறைக்கலாம், ஆனால் அதற்கு கூடுதல் பொறியியல் முயற்சி தேவைப்படுகிறது.

பரந்த சந்தை மாற்றம்

OpenAI-ன் விலை மாற்றமானது, "எந்த விலையாவது துல்லியம் வேண்டும்" என்ற நிலையிலிருந்து வேகம், செலவு மற்றும் துல்லியம் ஆகியவற்றின் சமநிலையான சூத்திரத்தை நோக்கித் திரும்பியதைக் காட்டுகிறது. பேச்சு-லிருந்து-உரை (speech-to-text) சந்தையானது பாரம்பரியமாகப் பிரிக்கப்பட்டுள்ளது: சிறிய நிறுவனங்கள் மிகக் குறைந்த பிழை விகிதங்களைத் தேடுகின்றன, கிளவுட் நிறுவனங்கள் அளவீட்டில் (scale) போட்டியிடுகின்றன, மேலும் புதிய நிறுவனங்கள் விலையில் போராடுகின்றன. ஒரு மரியாதைக்குரிய பிழை விகிதத்தையும் அதீத செயல்திறனையும் (throughput) வழங்கும் அதே வேளையில், விலையைக் குறைப்பதன் மூலம், போட்டியாளர்கள் தங்கள் சொந்த விலை அமைப்புகளை மறுபரிசீலனை செய்ய OpenAI கட்டாயப்படுத்துகிறது.

Mistral-ன் ஆக்ரோஷமான நிமிடத்திற்கு $0.003 என்ற சலுகையானது, OpenAI தனது விலையைத் போட்டியளிக்கக்கூடிய அளவில் வைத்திருக்க ஏற்கனவே அழுத்தம் கொடுக்கிறது. அதிக ஆராய்ச்சி பட்ஜெட் கொண்ட ElevenLabs மற்றும் Google, ஒருங்கிணைப்பு வசதிகளை (integration hooks) மேம்படுத்துவதன் மூலமோ அல்லது டிரான்ஸ்கிரிப்ஷனை மற்ற பிரீமியம் சேவைகளுடன் இணைப்பதன் மூலமோ இதற்குப் பதிலளிக்கலாம். அடுத்த சில காலாண்டுகளில், நீண்ட காலப் பயன்பாட்டை உறுதி செய்வதற்காக "pay-as-you-go" திட்டங்கள், மொத்த விற்பனைத் தள்ளுபடிகள் அல்லது டெவலப்பர்களுக்கு உகந்த SDK-களின் அலைகளை நாம் காணக்கூடும்.

எதிர்முனை: மிகக் குறைந்த விலை போதுமானதாக இல்லாதபோது

முக்கிய எண்கள் நிஜ உலகப் பயன்பாடுகளுக்குத் தேவையான நுணுக்கங்களை மறைக்கின்றன. GPT-4o-வை விட 0.7-புள்ளி WER முன்னேற்றம் என்பது குறிப்பிடத்தக்கது, ஆனால் அதன் முழுமையான பிழை விகிதம் இன்னும் முதல் மூன்று போட்டியாளர்களை விடப் பின்தங்கியே உள்ளது. நேரடி ஒளிபரப்பிற்கான நேரலை துணைத்தலைப்புகள் (live subtitles) அல்லது இணக்கமான பதிவுகள் (compliance-critical logs) போன்ற டிரான்ஸ்கிரிப்ஷன் பிழைகள் பயனர் நம்பிக்கையை நேரடியாகப் பாதிக்கும் தயாரிப்புகளை உருவாக்கும் டெவலப்பர்களுக்கு, குறைந்த பிழை விகிதத்தைக் கொண்ட மாடலைத் தேர்ந்தெடுப்பது எந்தவொரு செலவு சேமிப்பையும் விட முக்கியமாக இருக்கலாம்.

மேலும், இந்த வேகச் சாதனை என்பது API-க்கு அதிக வேகத்தில் ஆடியோவை வழங்கும் திறனைச் சார்ந்துள்ளது. நெட்வொர்க் பேண்ட்வித் (bandwidth) அல்லது எட்ஜ்-டிவைஸ் (edge-device) செயலாக்கத்தால் கட்டுப்படுத்தப்படும் திட்டங்களால் முழுமையான 34× வேகப் பலனைப் பெற முடியாமல் போகலாம், இது செலவுப் பலனைத் தணிக்கும். அத்தகைய சூழ்நிலைகளில், காகிதத்தில் நிமிட விலை அதிகமாகத் தெரிந்தாலும், ஒப்பீட்டளவில் துல்லியமான உள்ளூர் ஹோஸ்ட் செய்யப்பட்ட (locally hosted) மாடல் மிகவும் நடைமுறைக்கு ஏற்றதாக இருக்கலாம்.

அடுத்து கவனிக்க வேண்டியவை

  • விலை நெகிழ்வுத்தன்மை (Pricing elasticity): Mistral-ன் $0.003-க்கும் குறைவான விலை ஒரு விலை யுத்தத்தைத் தூண்டுமா அல்லது OpenAI $0.0045 என்ற விலையில் நிலையாக இருக்குமா?
  • டெவலப்பர் பயன்பாட்டு அளவீடுகள் (Developer adoption metrics): API சந்தையிலிருந்து கிடைக்கும் ஆரம்பகால பயன்பாட்டுத் தரவுகள், வேகமா அல்லது விலையா பெரும்பாலான போக்குவரத்தை (traffic) இயக்குகிறது என்பதைக் காட்டும்.
  • ஒழுங்குமுறை ஆய்வுகள் (Regulatory scrutiny): டிரான்ஸ்கிரிப்ஷன் மிகவும் பரவலாகப் பயன்படும்போது, தரவுத் தனியுரிமை விதிகள் எந்த சேவை வழங்குநர்கள் முக்கியமான தொழில்துறைகளுக்குச் சாத்தியமானவர்கள் என்பதைப் பாதிக்கலாம்.

முடிவுரை

OpenAI-ன் GPT Transcribe மற்றும் GPT Live Transcribe ஆகியவை அதிவேகச் செயலாக்கம் மற்றும் குறிப்பிடத்தக்க விலை குறைப்பு ஆகிய இரண்டையும் ஒரு அரிதான கலவையாக வழங்குகின்றன. இது மிகக் குறைந்த பிழை விகிதத்தை விட வேகம் மற்றும் சுற்றுச்சூழல் ஒருங்கிணைப்பை மதிக்கும் டெவலப்பர்களுக்கு, நிறுவனத்தை ஒரு செலவு குறைந்த மாற்றாக நிலைநிறுத்துகிறது.