ニュース

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

  • 佐々木 翼

2026年7月29日 12:33

OpenAIは、API向けの音声文字起こしモデル「GPT-Live-Transcribe」と「GPT-Transcribe」を提供開始した。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。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する。

両モデルには、録音の内容や場面、固有名詞、専門用語、想定する言語などを事前に伝えられる。これらの情報を手がかりに、アクセントのある発話や複数言語の会話、短い言葉、数字、専門用語などの文字起こし精度を高められる。

GPT-Live-Transcribeは、音声が届くたびに文字起こしの途中結果を順次返す。結果を表示する速さは5段階から選べ、速さを優先するか、より多くの音声を確認してから結果を返すかを調整できる。単語ごとの発話時刻や、話者識別には対応しない。

GPT-Transcribeは最大25MBの音声ファイルに対応。mp3、mp4、mpeg、mpga、m4a、wav、webm形式を利用できる。処理完了後に全文を受け取れるほか、処理中の文字を順次表示することも可能。音声から判別した言語も返す。

話者を記録する場合は「gpt-4o-transcribe-diarize」を使用する。最大4人分の短い音声サンプルを登録すると、各発言を登録済みの話者に対応付けられる。単語ごとの発話時刻やsrt、vtt形式の字幕、録音済み音声の英語翻訳には「whisper-1」を利用する。

録音に関する情報を事前に与えた評価では、GPT-Live-Transcribeが音声の内容を正しく捉えた割合は38.5%から44.6%に向上。GPT-Transcribeも41.6%から45.2%に高まった。

Common Voiceの22言語における文字起こしの誤り率は、GPT-Live-Transcribeが19.70%、GPT-Transcribeが19.27%。実際の利用環境に近い音声を使った9言語の評価では、それぞれ9.60%と8.98%だった。