OpenAI、録音・リアルタイム文字起こし 音声モデル「GPT-Live-Transcribe」 – Impress Watch

OpenAIは7月29日、API向けの音声文字起こしモデルを提供開始しました。
リアルタイム処理向けの「GPT-Live-Transcribe」と、録音・一括処理向けの「GPT-Transcribe」です。
両モデルは、録音内容や固有名詞などの事前情報を手がかりに、文字起こしの精度を高められます。

記事の概要

OpenAIは2026年7月29日、API向けの音声文字起こしモデル「GPT-Live-Transcribe」と「GPT-Transcribe」の提供を始めました。
GPT-Live-Transcribeは、会話中の音声をリアルタイムで文字にする用途に対応し、料金は音声1分あたり0.017ドルです。
GPT-Transcribeは、録音済みの音声ファイルや複数ファイルの一括処理に適したモデルです。
両モデルには、録音の内容や場面、固有名詞、専門用語、想定言語などを事前に伝えられます。
GPT-Live-Transcribeは音声が届くたびに途中結果を返し、表示速度は5段階から選べます。
GPT-Transcribeは最大25MBのmp3、mp4、mpeg、mpga、m4a、wav、webm形式の音声ファイルに対応します。
話者識別には「gpt-4o-transcribe-diarize」、単語ごとの発話時刻や字幕には「whisper-1」を利用します。
Common Voiceの22言語における誤り率は、GPT-Live-Transcribeが19.70%、GPT-Transcribeが19.27%でした。

記事のポイント

1. リアルタイム文字起こし： GPT-Live-Transcribeは会話中の音声を順次文字化し、結果を表示する速さを5段階から調整できます。
2. 録音・一括処理に対応： GPT-Transcribeは最大25MBの音声ファイルに対応し、処理完了後の全文取得や途中結果の表示が可能です。
3. 事前情報で精度向上： 事前情報を与えた評価では、内容を正しく捉えた割合がGPT-Live-Transcribeで44.6%に向上しました。

詳しい記事の内容はこちらから（引用元）

Impress Watch

OpenAI、録音・リアルタイム文字起こし音声モデル「GPT-Live-Transcribe」

OpenAIは、API向けの音声文字起こしモデル「GPT-Live-Transcribe」と「GPT-Transcrib…