Inconsistent Usage Reporting Across Audio Transcription Models (Zero Tokens Reported for gpt-realtime-whisper)

Непослідовне повідомлення використання між моделями аудіотранскрипції (Zero Tokens Reported для gpt-realtime-whisper)

https://ift.tt/TE7PfL9

Привіт, шановна команда

Ми відстежуємо та повідомляємо про використання між різними моделями аудіотранскрипції у поєднанні з нашими Realtime workflow. Під час тестування ми помітили значну неконсистентність в тому, як метрики використання повертаються в об’єкті відповіді API залежно від вибраної конкретної моделі транскрипції.

Проблема

– whisper-1 коректно відображає використання, розраховане у секундах (usage_type: duration).
– gpt-4o-transcribe коректно відображає використання, розраховане у токенах (usage_type: tokens).
– gpt-realtime-whisper повертає нулі як для токенів, так і для тривалості, незважаючи на виконання однакових викликів з успішно заповненими транскрипціями. Ми зробили 3 виклики з кожною з моделей транскрипції.

Чи gpt-realtime-whisper за замовчуванням відсутня метрика використання в поточній версії API, чи це активна помилка телеметрії?

Ми ізолювали три послідовні виклики, що демонструють таку поведінку нижче.

Ізольовані журнали тестів

JSON

[
{
“comment”: “CALL 1: whisper-1 properly tracks usage via duration_seconds”,
“call_id”: “13”,
“usage”: {
“transcription”: {
“usage_type”: “duration”,
“total_tokens”: 0,
“input_tokens”: 0,
“output_tokens”: 0,
“duration_seconds”: 13,
“events_count”: 2,
“model”: “whisper-1”
}
}
},
{
“comment”: “CALL 2: gpt-4o-transcribe properly tracks usage via tokens”,
“call_id”: “15”,
“usage”: {
“transcription”: {
“usage_type”: “tokens”,
“total_tokens”: 142,
“input_tokens”: 108,
“output_tokens”: 34,
“duration_seconds”: 0,
“events_count”: 2,
“model”: “gpt-4o-transcribe”
}
}
},
{
“comment”: “CALL 3: gpt-realtime-whisper returns zeroed metrics for both types”,
“call_id”: “17”,
“usage”: {
“transcription”: {
“usage_type”: “tokens”,
“total_tokens”: 0,
“input_tokens”: 0,
“output_tokens”: 0,
“duration_seconds”: 0,
“events_count”: 2,
“model”: “gpt-realtime-whisper”
}
}
}
]

Питання щодо архітектурних найкращих практик

Як вторинне запитання щодо оптимізації голосового агента: при з’єднанні компонентів транскрипції з рідними робочими процесами gpt-realtime, яку модель рекомендують для абсолютної найвищої фонетичної та контекстної точності для потокових голосових агентів?

Будь-які поради від інженерної команди щодо звітування використання або рекомендацій щодо моделей будуть дуже вдячні!

Дякую велике

Хай Бог благословить

HI-FI News

через спільноту розробників OpenAI – останні пости https://ift.tt/Lo2XA7V

12 червня 2026 року, 12:15 PM

Потрібно лише текст українською, що перекладено.

June 12, 2026 at 12:15PM