GPT-4o Transcribe Diarize: transcribe audio e identifica quién habla
GPT-4o Transcribe Diarize es un modelo de reconocimiento automático de voz de OpenAI que incorpora speaker diarization. Además de convertir audio en texto, puede asociar diferentes segmentos de una conversación con distintos hablantes, permitiendo saber quién está hablando y cuándo. Es especialmente útil para reuniones, entrevistas, llamadas, podcasts y conversaciones con varias personas.
¿Qué es GPT-4o Transcribe Diarize?
GPT-4o Transcribe Diarize es un modelo de OpenAI para transcripción con diarización de hablantes incorporada. Esto significa que no solo reconoce lo que se dice, sino que puede asociar partes de la conversación con diferentes speakers para facilitar el análisis de audio con varias personas.
Qué permite hacer GPT-4o Transcribe Diarize
Su principal diferencia frente a un modelo de transcripción convencional es la identificación de distintos hablantes.
Transcribir audio
Convierte conversaciones y grabaciones en texto.
Separar hablantes
Asocia diferentes partes del audio con distintos speakers.
Quién habla y cuándo
Facilita reconstruir la estructura de una conversación.
Analizar llamadas
Diferenciar cliente, agente u otros participantes.
Reuniones
Organizar conversaciones entre varias personas.
Transcription API
El modelo está disponible específicamente mediante la API de transcripción.
Cómo funciona GPT-4o Transcribe Diarize
El modelo procesa el audio, reconoce el contenido y separa las intervenciones de distintos participantes.
Envías la grabación
Reunión, llamada, entrevista o conversación.
Se detectan hablantes
El sistema diferencia segmentos de distintos speakers.
Obtienes la transcripción
El texto queda asociado a las intervenciones de la conversación.
Características técnicas de GPT-4o Transcribe Diarize
OpenAI publica especificaciones concretas para este modelo especializado.
| Característica | GPT-4o Transcribe Diarize |
|---|---|
| ID | gpt-4o-transcribe-diarize |
| Tipo | Automatic Speech Recognition |
| Speaker diarization | Sí |
| Audio | Entrada |
| Texto | Entrada y salida |
| Imagen | No soportada |
| Video | No soportado |
| Context window | 16.000 tokens |
| Máximo output | 2.000 tokens |
| Knowledge cutoff | 1 de junio de 2024 |
| Endpoint | /v1/audio/transcriptions |
Qué es speaker diarization
La diarización responde a una pregunta distinta de la transcripción.
¿Qué se dijo?
Convierte las palabras habladas en texto.
¿Quién lo dijo?
Diferencia los segmentos correspondientes a distintos participantes.
GPT-4o Transcribe Diarize integra ambas tareas: reconoce qué se dijo y organiza la conversación según hablantes.
Cómo se ve una transcripción con varios hablantes
Conceptualmente, una conversación puede quedar organizada de esta manera.
Dos participantes
Speaker 1:
Buenos días. Quería consultar por mi pedido.
Speaker 2:
Claro. ¿Me puede indicar el número de compra?
Speaker 1:
Sí, es el pedido 5821.La diarización distingue hablantes. Asociar posteriormente un speaker con una identidad real puede requerir información adicional de tu aplicación.
GPT-4o Transcribe Diarize solo utiliza Transcription API
Esta restricción diferencia al modelo de otros modelos multimodales de OpenAI.
POST /v1/audio/transcriptions
La ficha oficial indica que GPT-4o Transcribe Diarize está disponible exclusivamente mediante el endpoint de transcripción.
Transcription API
Es el endpoint indicado para este modelo.
Responses API
No figura como endpoint compatible.
Realtime API
No figura como endpoint compatible.
Ejemplo de GPT-4o Transcribe Diarize en Python
El modelo se selecciona desde la API de transcripciones.
Transcribir una conversación
from openai import OpenAI
client = OpenAI()
with open("reunion.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-4o-transcribe-diarize",
file=audio_file
)
print(transcription)Cuando trabajes con diarización, procesa la respuesta completa y no asumas que recibirás únicamente una cadena de texto plano.
GPT-4o Transcribe Diarize con cURL
Enviar un archivo de audio
curl https://api.openai.com/v1/audio/transcriptions \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-F file="@reunion.mp3" \
-F model="gpt-4o-transcribe-diarize"Ventana de contexto de GPT-4o Transcribe Diarize
16.000 tokens
La ficha oficial publica una ventana de contexto de 16K.
2.000 tokens
El máximo de salida publicado es de 2.000 tokens.
Cuánto cuesta GPT-4o Transcribe Diarize
La ficha del modelo publica precios basados en audio tokens.
| Tipo | Precio por 1M tokens |
|---|---|
| Audio input | US$2,50 |
| Output | US$10,00 |
A diferencia de GPT-Transcribe, cuya ficha actual publica una referencia por minuto, GPT-4o Transcribe Diarize publica pricing por tokens.
GPT-4o Transcribe Diarize vs GPT-4o Transcribe
Ambos pertenecen a la familia de transcripción, pero uno incorpora diarización.
| Característica | GPT-4o Transcribe Diarize | GPT-4o Transcribe |
|---|---|---|
| Speech-to-text | Sí | Sí |
| Speaker diarization | Sí | No es su objetivo específico |
| Quién habla y cuándo | Sí | No es su capacidad principal |
| Context window | 16K | 16K |
| Max output | 2K | 2K |
| Audio input pricing | US$2,50 / 1M | US$2,50 / 1M |
GPT-4o Transcribe Diarize vs GPT-Transcribe
La elección depende de si necesitas únicamente precisión o también separar participantes.
| Necesidad | Modelo |
|---|---|
| Transcripción precisa | GPT-Transcribe |
| Identificar hablantes | GPT-4o Transcribe Diarize |
| Audio live con mínima latencia | GPT-Live-Transcribe |
| Conversación de voz bidireccional | Modelo Realtime |
GPT-4o Transcribe Diarize vs GPT-Live-Transcribe
| Aspecto | Diarize | Live Transcribe |
|---|---|---|
| Objetivo | Separar hablantes | Baja latencia |
| Audio en vivo | No es su enfoque principal | Sí |
| Speaker diarization | Sí | No es su función principal |
| Transcript deltas | No es su foco principal | Sí |
| Endpoint | Transcription API | Live / Realtime |
GPT-4o Transcribe Diarize para reuniones
Las reuniones son uno de los escenarios donde la diarización aporta más valor.
Grabas la reunión.
Envías el audio a Transcription API.
El modelo separa intervenciones.
Obtienes texto organizado por hablante.
Generas resumen y acuerdos.
Guardas tareas y responsables.
Diferenciar agente y cliente en una llamada
En soporte y ventas, separar interlocutores puede facilitar enormemente el análisis posterior.
Cliente
Consultas, objeciones, necesidades y comentarios.
Agente
Respuestas, soluciones, instrucciones y ofertas.
Una vez distinguidos los speakers, tu aplicación puede asociarlos con cliente o agente utilizando información adicional de la llamada.
Transcribir entrevistas con varios participantes
Separar preguntas y respuestas
Diarización permite distinguir automáticamente intervenciones del entrevistador y entrevistado, facilitando edición y publicación.
GPT-4o Transcribe Diarize para podcasts
Una conversación con invitados puede transformarse en una transcripción mucho más útil si conserva la separación entre voces.
Transcripción completa.
Separación de participantes.
Generación de capítulos.
Resumen del episodio.
Creación de artículos.
Audio → diarización → análisis con IA
La diarización puede ser solo la primera etapa de un workflow.
GPT-4o Transcribe Diarize procesa el audio.
Obtienes segmentos asociados a hablantes.
Otro modelo analiza la conversación.
Extraes resumen, temas y decisiones.
Guardas información estructurada.
Convertir una transcripción diarizada en JSON
Una segunda llamada puede transformar la transcripción en información estructurada.
Información extraída
{
"participantes": 2,
"tema": "Estado de un pedido",
"resumen": "El cliente consulta por su compra.",
"acciones": [
"Revisar pedido 5821"
]
}Límites de GPT-4o Transcribe Diarize
OpenAI publica límites distintos según el usage tier.
| Tier | RPM | TPM |
|---|---|---|
| Free | No soportado | |
| Tier 1 | 500 | 10.000 |
| Tier 2 | 5.000 | 100.000 |
| Tier 3 | 5.000 | 400.000 |
| Tier 4 | 10.000 | 2.000.000 |
| Tier 5 | 10.000 | 6.000.000 |
La ficha oficial muestra actualmente que este modelo no está disponible en el nivel Free.
Alias de GPT-4o Transcribe Diarize
La ficha oficial muestra actualmente el alias principal del modelo.
gpt-4o-transcribe-diarize
Actualmente la página oficial no muestra un snapshot fechado adicional distinto del alias principal.
Cuándo usar GPT-4o Transcribe Diarize
Varias personas
Necesitas separar intervenciones de varios hablantes.
Reuniones
Quieres entender quién dijo cada parte.
Call centers
Necesitas diferenciar interlocutores durante el análisis.
Cuándo elegir otro modelo
Solo necesitas transcribir
GPT-Transcribe puede ser más apropiado si no necesitas separar hablantes.
Audio en vivo
GPT-Live-Transcribe está optimizado para baja latencia en tiempo real.
Necesitas responder con voz
Utiliza un modelo Realtime para conversación bidireccional.
Privacidad en grabaciones con varios hablantes
Diarizar conversaciones implica procesar información de varias personas.
Define cuándo puedes grabar.
Informa a los participantes cuando corresponda.
Protege los archivos originales.
Restringe el acceso a las transcripciones.
Define períodos de retención.
Documentación oficial de GPT-4o Transcribe Diarize
Pricing, límites y capacidades pueden cambiar, por lo que conviene comprobar la ficha oficial antes de producción.
GPT-4o Transcribe Diarize
Consulta diarización, pricing, modalidades, endpoint y rate limits.
Ver ficha oficial →Guías relacionadas con GPT-4o Transcribe Diarize
FAQ sobre GPT-4o Transcribe Diarize
Respuestas sobre speaker diarization, hablantes, precios, contexto y Transcription API.
GPT-4o Transcribe Diarize es un modelo de OpenAI que transcribe audio e incorpora speaker diarization para diferenciar hablantes.
Significa asociar diferentes segmentos de una conversación con distintos hablantes, permitiendo determinar quién está hablando y cuándo.
Sí. Esa es precisamente la capacidad diferencial del modelo.
La diarización distingue speakers, pero asociarlos con una identidad real puede requerir información adicional de tu aplicación.
GPT-4o Transcribe Diarize
está disponible
mediante
/v1/audio/transcriptions.
No. La ficha oficial indica que este modelo solo está disponible mediante Transcription API.
La ficha oficial publica actualmente una ventana de contexto de 16.000 tokens.
El máximo de salida publicado actualmente es de 2.000 tokens.
La ficha oficial publica actualmente US$2,50 por un millón de audio input tokens y US$10 por un millón de output tokens.
La ficha oficial actual muestra el tier Free como no soportado.
Continúa con GPT-4o Transcribe
Ya vimos cómo transcribir conversaciones distinguiendo hablantes. Ahora podemos profundizar en GPT-4o Transcribe, el modelo basado en GPT-4o para speech-to-text de alta precisión.
Ver GPT-4o Transcribe →