Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai20. März 2025 · Q005503

Introducing next-generation audio models in the API

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI kündigt zwei Transkriptionsmodelle und ein anleitbares Text-to-Speech-Modell an. Der Beitrag behauptet bessere Transkriptionsergebnisse, nennt aber keine konkreten Messwerte; die Sprachsynthese bleibt auf überwachte, künstliche Preset-Stimmen beschränkt.

Mittel

Der Bericht kündigt OpenAIs Audiomodelle für Entwickler an: `gpt-4o-transcribe` und `gpt-4o-mini-transcribe` für Sprache-zu-Text sowie `gpt-4o-mini-tts` für Text-to-Speech. Laut OpenAI sollen die Transkriptionsmodelle gegenüber Whisper genauer sein und Akzente, Lärm und unterschiedliche Sprechgeschwindigkeiten besser bewältigen. Als Beleg nennt der Beitrag Ergebnisse auf dem mehrsprachigen FLEURS-Benchmark und behauptet Vorteile gegenüber Whisper v2 und v3 sowie gute Ergebnisse gegenüber anderen führenden Modellen. Konkrete Messwerte fehlen im bereitgestellten Text.

Das TTS-Modell lässt sich laut Beitrag nicht nur hinsichtlich des Inhalts, sondern auch der Sprechweise anleiten. Es nutzt jedoch ausschließlich künstliche, vorgegebene Stimmen. Eigene Stimmen werden als mögliche künftige Entwicklung erwähnt. Technisch führt OpenAI die Fortschritte auf spezialisiertes Audiotraining, Destillation und Reinforcement Learning zurück; eine unabhängige Bestätigung der Leistungsbehauptungen enthält der Bericht nicht. Die Modelle seien über APIs verfügbar, das Agents SDK erleichtere den Bau von Sprachagenten. Für geringe Latenz empfiehlt OpenAI die Realtime API, deren allgemeine Verfügbarkeit laut Hinweis am 28. August 2025 angekündigt wurde.

Ausführlich lesen

Der Bericht stellt OpenAIs neue Audiomodelle für Entwickler vor: zwei Modelle zur Umwandlung von Sprache in Text und ein Modell zur Erzeugung gesprochener Sprache aus Text. OpenAI beschreibt sie als Grundlage für leistungsfähigere Sprachagenten, die natürliche Gespräche ermöglichen sollen. Die Modelle seien zum Zeitpunkt der Veröffentlichung über die API verfügbar gewesen. Ein späterer Hinweis im Bericht ergänzt, dass die Realtime API am 28. August 2025 allgemein verfügbar gemacht wurde.

Für die Transkription nennt OpenAI `gpt-4o-transcribe` und `gpt-4o-mini-transcribe`. Laut Bericht verbessern sie gegenüber den ursprünglichen Whisper-Modellen die Wortfehlerrate, Spracherkennung und Genauigkeit. OpenAI führt die Fortschritte auf gezieltes Reinforcement Learning und umfangreiches Training mit vielfältigen, hochwertigen Audiodaten zurück. Besonders in schwierigen Situationen – etwa bei Akzenten, Hintergrundgeräuschen oder wechselndem Sprechtempo – sollen die Modelle zuverlässigere Ergebnisse liefern. Als Beleg verweist der Beitrag auf Vergleiche mit dem mehr als 100 Sprachen umfassenden FLEURS-Benchmark. Er behauptet, die neuen Modelle schnitten dort durchgehend besser als Whisper v2 und v3 ab und erreichten bei den meisten wichtigen Sprachen vergleichbare oder bessere Werte als andere führende Modelle. Im bereitgestellten Text stehen allerdings keine konkreten Messwerte oder Diagrammdaten, anhand derer sich diese Vergleiche selbst prüfen ließen.

Für die Sprachausgabe führt OpenAI `gpt-4o-mini-tts` ein. Entwickler könnten dem Modell erstmals vorgeben, auf welche Weise es etwas sagen soll, etwa mitfühlend oder erzählerisch. Das soll Anwendungen wie Kundenservice und kreative Erzählungen ermöglichen. Zugleich gilt eine klare Einschränkung: Die Sprachausgabe verwendet künstliche, vorgegebene Stimmen, die OpenAI überwacht. Eigene Stimmen werden lediglich als mögliche künftige Entwicklung genannt und sollen mit Sicherheitsstandards vereinbar sein.

Als technische Grundlagen nennt der Beitrag Architekturen von GPT‑4o und GPT‑4o mini, umfangreiches Vortraining mit spezialisierten Audiodaten, verbesserte Destillationsverfahren sowie selbst erzeugte Gesprächsdaten. Reinforcement Learning spiele insbesondere für die Transkriptionsmodelle eine große Rolle. OpenAI behauptet, dies erhöhe die Genauigkeit und verringere Halluzinationen; unabhängige Prüfungen oder konkrete Zahlen dazu enthält der Bericht nicht.

Die Modelle seien über die Sprach- und Text-to-Speech-APIs zugänglich. Das Agents SDK solle den Bau von Sprachagenten erleichtern; für Anwendungen mit geringer Latenz empfiehlt OpenAI Sprach-zu-Sprach-Modelle über die Realtime API. Der Beitrag kündigt weitere Arbeit an Genauigkeit und Intelligenz, Gespräche mit verschiedenen Interessengruppen über synthetische Stimmen sowie Investitionen in weitere Modalitäten wie Video an. Das sind Vorhaben, keine im Bericht bestätigten Ergebnisse. Insgesamt beschreibt der Text OpenAIs Produktankündigung und deren eigene Leistungsbehauptungen; er liefert keine unabhängige Evaluation.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die mittlere Zusammenfassung. Die kurze Zusammenfassung ist ebenfalls treu, lässt aber die Anwendungsfälle und die Vergleiche mit Whisper weg.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Behauptung, die neuen Transkriptionsmodelle setzten einen neuen Stand der Technik und reduzierten Halluzinationen durch Reinforcement Learning
  • Die genannten Anwendungsfälle wie Call-Center und Meeting-Notizen
  • Die Verbesserung der Spracherkennung (Language Recognition) gegenüber Whisper neben der Genauigkeit
  • Der Hinweis, dass OpenAI seit 2022 an Audiomodellen arbeitet

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 75 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 40 %gleiches Oberthema, hilft nicht
    • JEV 41 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 24 %nur am Rande erwähnt
    • JEV 50 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 45 %nur am Rande erwähnt
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 31 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 24 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 56 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 42 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 72 %gleiches Oberthema, hilft nicht
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 39 %nur am Rande erwähnt
    • amos 34 %nur am Rande erwähnt
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →