OpenAI lanserer nye transkripsjonsmodeller bygget for sanntidsmøter

OpenAI lanserer nye transkripsjonsmodeller bygget for sanntidsmøter

OpenAI omformet stillferdig transkripsjonslandskapet i slutten av juli med to nye API-modeller: GPT-Live-Transcribe for tekstlig teksting med lav ventetid i sanntid, og GPT-Transcribe for batch-/filbasert behandling [4][5][6]. Begge dekker 57 språk og viser tydelige forbedringer på dialekter, bakgrunnsstøy, tall og navn — nettopp de svake punktene som har plaget møtetranskripsjon i årevis.

Tallene er bemerkelsesverdige. Kontekstbevisst behandling løftet semantisk nøyaktighet fra 38,5 % til 44,6 % på interne benchmarker, og prisen ligger på $0,017/min for sanntidstranskripsjon mot omtrent $0,0045/min for batch [6]. OpenAI oppfordrer eksplisitt utviklere til å gå bort fra eldre Whisper-baserte modeller til fordel for disse to, noe som signaliserer at dette nå er den anbefalte plattformen for alle som bygger stemmeprodukter.

Reaksjonen blant utviklere på X kom umiddelbart og var entusiastisk, med tråder som gikk i dybden på nøyaktighetsforbedringer i virkelige scenarier og hva dette betyr for utviklere av møteapper som har limt sammen Whisper med egen etterbehandling. Terskelen for «godt nok» transkripsjon har nettopp flyttet seg.

Agentminne og RAG får en solid oppgradering

Bortenfor transkripsjonslaget beveger infrastrukturen for å resonnere over akkumulert kunnskap seg raskt fremover. Volcengines åpen kildekode-prosjekt OpenViking behandler en AI-agents kontekst — minne, hentet kunnskap og ferdigheter — som et samlet virtuelt filsystem med lagdelt henting, fra abstrakte sammendrag ned til finmasket detalj [7][8]. På LoCoMo-benchmarken for lang kontekst skal den angivelig løfte nøyaktigheten fra en naturlig 24–57 % opp til 80–83 %, samtidig som den kutter både antall tokens og ventetid.

Beslektet arbeid med «agentisk minne» — systemer som Hindsight, som strukturerer informasjon som fakta, erfaringer og meninger fremfor flate dokumentbiter — scoret 91,4 % på LongMemEval, og slo dermed tradisjonelle RAG-tilnærminger for langsiktig resonnering [9]. Den røde tråden: naiv retrieval-augmented generation nærmer seg et tak, og neste bølge handler om strukturert, hierarkisk minne som etterligner hvordan mennesker faktisk husker kontekst over tid.

Diskusjonen på X har dreid seg om hva dette betyr for bedrifters kunnskapsbaser bygget opp av løpende samtaler — konsensusen er at flat vektorsøk alene ikke strekker til for noe som spenner over måneder med akkumulerte møter og beslutninger.

EU AI Act sine åpenhetsregler medfører nå reelle bøter

Artikkel 50 i EU AI Act — åpenhetsbestemmelsene som krever opplysning når brukere samhandler med AI, maskinlesbar merking av AI-generert innhold, og merking av deepfakes — ble formelt håndhevbar 2. august 2026 [10][11]. Nasjonale myndigheter har nå myndighet til å ilegge bøter på opptil 15 millioner euro eller 3 % av global årsomsetning, avhengig av hva som er høyest [10][12].

Dette berører direkte AI-verktøy for møter som opererer i EU. Enhver plattform som transkriberer, oppsummerer eller genererer innhold fra møter, må ha tydelig, brukervendt opplysning om at AI utfører arbeidet, samt maskinlesbar merking der resultater deles eller eksporteres. Den frivillige praksiskodeksen tilbyr en vei til etterlevelse, men bøtestrukturen gjør dette til langt mer enn et forslag nå [11].

EU-rettet kommentering på X har fokusert på det operasjonelle gapet: mange produktivitetsverktøy bygde åpenhet inn som en ettertanke, og løpende styring i sanntid — å kunne dokumentere etterlevelse kontinuerlig, ikke bare ved lansering — fremstår som selve utfordringen.

Hva dette betyr for dine møter

Dagens saker danner én sammenhengende historie: verktøyene som fanger opp samtalene dine, står under strengere juridisk granskning, blir teknisk bedre, og møter strengere regulering — alt på én gang. Otter.ai-dommen bør bekymre enhver organisasjon som bruker møte-AI uten tydelige samtykkeprosesser fra alle deltakere, spesielt gitt at lagring av stemmeavtrykk og transkripsjoner for modelltrening nå står midt i søkelyset for rettssaker. Hvis kunnskapsbasen din er bygget på opptak, er ikke opprinnelse og samtykke bare fotnoter om etterlevelse — de er avgjørende for produktets eksistens.

Samtidig modnes den underliggende teknologistabelen raskt. Bedre transkripsjonsmodeller betyr færre feilstavede navn og tall som havner i kunnskapsgrafen din, og bedre arkitektur for agentminne betyr at gjenfinning på tvers av måneder med møtehistorikk endelig kan bevege seg forbi «søk og håp». For en kunnskapsbase som spenner over en hel bedrifts møtehistorikk, er skiftet fra flat RAG til lagdelt, strukturert minne nettopp den typen infrastrukturendring som avgjør om AI-assistenten din faktisk husker hva som ble besluttet i mars, eller bare gjetter.

EU sine åpenhetsregler binder det hele sammen: etter hvert som møteintelligensverktøy blir mer kapable og mer integrert i den daglige arbeidsdagen, får brukerne en stadig sterkere juridisk rett til å vite hva som blir tatt opp, brukt til trening, og generert på deres vegne. Nordiske og europeiske team som bygger eller kjøper slike verktøy, bør behandle samtykke-ved-design og tydelig AI-opplysning ikke som friksjon, men som grunnleggende forventning fra 2026 og fremover.

Hovedpoeng: Vinnerne innen møteintelligens blir ikke bare de med best transkripsjonsnøyaktighet — det blir de som har bygget samtykke, åpenhet og strukturert minne inn i selve fundamentet fra dag én.

Sources

1. https://www.uctoday.com/productivity-automation/otter-ai-fails-to-dismiss-core-privacy-claims-in-u-s-court/
2. https://hrexecutive.com/otter-ai-ruling-puts-ai-meeting-assistants-on-the-hook-for-consent/
3. https://ailawsuittracker.com/cases/in-re-otter-ai-privacy-litigation-5-25-cv-06911/
4. https://community.openai.com/t/gpt-live-transcribe-and-gpt-transcribe-two-new-transcription-models-in-the-api/1388318
5. https://slator.com/openai-two-new-models-transcription/
6. https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/
7. https://github.com/volcengine/OpenViking
8. https://docs.openviking.ai/en/getting-started/01-introduction
9. https://www.opensourceforu.com/2025/12/agentic-memory-hindsight-beats-rag-in-long-term-ai-reasoning/
10. https://www.aiactblog.nl/en/posts/article-50-enforcement-fines-ai-act-2026
11. https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content
12. https://digital-strategy.ec.europa.eu/en/policies/enforcement-ai-act