GPT-4o 转写与分角色记录：完整规格、定价、API 接入与应用场景（2026）

什么是 GPT-4o Transcribe Diarize？

GPT-4o Transcribe Diarize 是 OpenAI 推出的自动语音识别模型，具备内置说话人分离功能。该模型的正式发布时间尚未公布，拥有 16,000 个 token 的上下文窗口，2026年7月的 token 定价为每百万音频输入 token 2.50 美元、每百万输出 token 10 美元。

该模型能够将录音语音转化为文本，并将转录片段与不同说话人关联。说话人分离能够回答“谁在什么时候说话”，让转录文本区分会议、访谈、播客、研究会话及客服通话中的参与者。

OpenAI 将该 API 模型标识为 gpt-4o-transcribe-diarize。其模型页面描述该模型为识别说话人的转录模型，并指出可通过 Transcription API 获取。该模型专为音频处理设计，不适用于通用聊天、推理、图像生成或文本转语音等任务。

目前官方模型页面未明确公布具体上线时间。为避免将推测日期误作官方事实，本文截至2026年7月，记录该模型发布时间为 OpenAI 正式产品文档未确认。

GPT-4o Transcribe Diarize 的主要参数与定价

以下参数主要基于 OpenAI 官方模型页面、语音转文本文档及转录 API 参考，所有内容均为2026年7月的官方状态。

OpenAI 官方模型页面列出 16,000 token 上下文窗口、2,000 token 最大输出、音频输入、文本输出，以及每百万音频 token 输入 2.50 美元、输出 10 美元。

该定价按 token 计费，并非保证每分钟费用。实际转录请求成本会因录音时长、语速、token 化及生成输出而变化。

GPT-4o Transcribe Diarize 在生产环境中的主要优势

生成带说话人标注的转录文本

该模型可将转录片段归属不同说话人，无需额外的转录与分离服务，适用于会议、访谈、播客、研究会话及客服通话。

当说话人声音相近、语音重叠或互相打断时，建议人工复核说话人标签。

返回结构化说话人数据

模型支持 diarized_json 响应格式，适用于需要说话人标注的应用，而非单一转录文本。

结构化输出可支持可检索存档、说话人摘要、通话复核面板、字幕流程及会话分析。说话人标签仅代表模型分离结果，并非法律身份认证。

支持已知说话人参考

可选的说话人姓名与参考片段有助于将常见参与者与如主持人、采访者、客服或客户等标签关联。

这些参考可提升使用体验，但无法保证准确分配，尤其在发言短、音质差、背景噪音、语音重叠或声音相似时。

支持长录音分段处理

对于超过 30 秒的音频，API 要求采用分段策略。官方自动选项可将长录音分割处理。

分段简化长文本转录，但片段边界可能影响连贯性、时间戳及说话人归属。

支持下游自动化流程

结构化转录文本可用于检索、摘要、质量复核、合规支持及分析系统。例如，应用可将客服与客户发言分离后生成摘要。

任何下游流程都可能继承转录与分离错误。涉及就业、医疗、法律、信贷、保险、合规或公共安全的高风险决策需人工复核。

GPT-4o Transcribe Diarize 支持哪些模态？

OpenAI API 参考文档指出 GPT-4o Transcribe Diarize 支持 json、text、diarized_json，其中 diarized_json 用于说话人标注。

GPT-4o Transcribe Diarize 的局限性

GPT-4o Transcribe Diarize 是专用转录模型，并非通用会话模型、推理模型、图像模型、翻译复核流程或文本转语音服务的替代品。

说话人标签可能错误

当说话人重叠、互相打断、低声、远距离、麦克风质量差或声音相似时，分离效果会下降。标签如 speaker_1 仅代表模型分配的片段，并不能独立证明身份。

仍可能存在转录错误

模型可能误听姓名、数字、专业术语、口音、低音量或被背景噪音遮蔽的词汇。标点及句子边界也可能需人工编辑。

这是自动语音识别的通用限制，并非 GPT-4o Transcribe Diarize 独有。

部分转录控制不可用

OpenAI 转录请求文档指出，GPT-4o Transcribe Diarize 不支持提示词引导及 token 概率日志。

当应用需通过转录提示词提供术语表或检查 token 级置信信息时，GPT-4o Transcribe 或 GPT-4o Mini Transcribe 更适用，具体以当前 API 文档为准。

长录音需分段处理

超过 30 秒的输入需在转录请求中采用分段策略。分段增加实现复杂度，并可能影响说话人连续性。

高风险转录需人工复核

自动转录文本不应作为最终证据，需核查原始录音。法律、医疗、金融、就业、合规及安全相关转录需专业人员复核。

隐私与同意由开发者负责

录音可能包含个人、机密、生物识别或受监管信息。开发者需评估本地法规下的同意、通知、存储、访问控制、跨境处理及删除要求。

文档存在访问范围不明

OpenAI 模型页面称仅可通过 Transcription API 获取，但实时 API 参考页也将其列为分离会话选项。

由于官方页面描述不同，生产团队应在上线前核实当前实时行为是否支持分离架构。

GPT-4o Transcribe Diarize 最适合哪些场景？

该模型适用于需语音识别与说话人分离的流程。“最适用”取决于具体场景，并不意味着它是所有 ASR 模型中最强。

若录音仅有一位说话人，内置分离功能价值有限。无分离转录模型可能更简单或更经济，具体取决于当前定价与流程需求。

GPT-4o Transcribe Diarize 与 GPT-4o Transcribe、GPT-4o Mini Transcribe 比较

OpenAI 官方页面显示 GPT-4o Mini Transcribe 输入价格每百万音频 token 1.25 美元，输出价格每百万 token 5 美元，而 GPT-4o Transcribe Diarize 分别为 2.50 美元与 10 美元。三者均为 16,000 token 上下文窗口、2,000 token 最大输出。

没有绝对优选。GPT-4o Transcribe Diarize 适合多说话人录音；GPT-4o Transcribe 适合需提示词引导转录；GPT-4o Mini Transcribe 适合优先考虑低价的应用。

如何通过 Gate.AI 接入 GPT-4o Transcribe Diarize？

Gate.AI 模型卡片将 GPT-4o Transcribe Diarize 列为模型 ID：

openai/gpt-4o-transcribe-diarize

Gate.AI 文档说明其通用 API 网关兼容 OpenAI，并指定 OpenAI 兼容基址 https://api.gate.ai/openai/v1，开发者需采用 provider/model-name 格式的模型 ID。

但当前 Gate.AI 文档未明确说明 GPT-4o Transcribe Diarize 的音频转录端点、multipart 请求 schema、响应字段或模型定价。为避免将通用聊天示例误作转录请求，本文不提供该模型的 Gate.AI 可执行代码。

实施前建议查阅 Gate.AI 模型卡片，确认：

• 当前模型可用性
• 支持的转录端点
• 请求与上传要求
• 分离响应支持
• token 或音频定价
• 账户访问限制

OpenAI API 接入

OpenAI 官方文档描述该模型通过 Audio Transcriptions API 使用：

• 端点： POST https://api.openai.com/v1/audio/transcriptions
• 认证： Bearer 认证，需 OpenAI API key
• 模型 ID： gpt-4o-transcribe-diarize
• 请求格式： multipart/form-data
• 说话人标注响应： diarized_json

Python 示例

import os
from openai import OpenAI
client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])
with open("meeting.wav", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-4o-transcribe-diarize",
        file=audio_file,
        response_format="diarized_json",
        chunking_strategy="auto",
    )
for segment in transcription.segments:
    print(
        f"{segment.speaker}: {segment.text} "
        f"({segment.start:.2f}s–{segment.end:.2f}s)"
    )

curl 示例

curl https://api.openai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F "file=@meeting.wav" \
  -F "model=gpt-4o-transcribe-diarize" \
  -F "response_format=diarized_json" \
  -F "chunking_strategy=auto"

如需说话人标注，必须使用 diarized_json 格式。对于超过 30 秒的输入，OpenAI 要求采用分段策略。

生产应用需验证文件类型、录音时长、错误响应、重试机制、隐私控制及速率限制，确保处理敏感或大批量录音安全可靠。

常见问题解答

GPT-4o Transcribe Diarize 的上下文窗口是多少？

OpenAI 官方列出 GPT-4o Transcribe Diarize 的上下文窗口为 16,000 token，最大输出为 2,000 token（截至2026年7月）。

GPT-4o Transcribe Diarize 的费用是多少？

OpenAI 官方定价为每百万音频输入 token 2.50 美元、每百万输出 token 10 美元（截至2026年7月）。Gate.AI 定价在参考模型卡片中显示暂不可用。

如何通过 API 获取说话人标签？

将音频发送至 OpenAI Audio Transcriptions API，模型 ID 设为 gpt-4o-transcribe-diarize，response_format 设为 diarized_json。该格式为获取说话人标注所必需。

何时选择 GPT-4o Transcribe Diarize 而非 GPT-4o Mini Transcribe？

当录音需内置说话人分离时，GPT-4o Transcribe Diarize 更适用；若仅需低价转录且无需说话人标签，则 GPT-4o Mini Transcribe 更合适。建议根据代表性音频测试、延迟、准确度及当前价格综合选择。