モデルの位置づけ
GPT-4o Transcribe は GPT-4o をベースにした音声テキスト変換モデルで、OpenAI API を通じて音声をテキストに書き起こします。OpenAI は 2025 年 3 月 20 日にこのモデルを発表しました。(openai.com)
機能と用途
- 多言語の音声認識に対応しています。公式によると、オリジナルの Whisper モデルと比べて言語識別と精度が向上し、複数のベンチマークで単語誤り率が低くなっています。また、アクセント、背景雑音、話速の変化などへの対応も改善されています。(openai.com)
- 録音の書き起こし、テキスト記録の作成、音声アプリケーションにおける書き起こし処理に利用できます。すでにファイルの書き起こしのストリーミング出力やリアルタイムの書き起こしに対応した統合もあります。(developers.openai.com)
制限とステータス
- 書き起こし結果には依然として誤りが生じる可能性があり、重要な内容は人が確認する必要があります。このモデルは画像や動画の入力に対応しておらず、音声も生成しません。コンテキストウィンドウは 16,000 トークン、最大出力は 2,000 トークンです。(developers.openai.com)
- ファイル書き起こしインターフェースのファイル上限は 25 MB です。それより大きい録音は圧縮または分割する必要があります。(developers.openai.com)
- 2026 年 11 月 19 日時点で、OpenAI はこのモデルを非推奨とし、2027 年 2 月 26 日に API から削除する予定です。公式は用途に応じて
gpt-live-transcribeまたはgpt-transcribeへの移行を推奨しています。(developers.openai.com)
料金
確認日:2026 年 11 月 19 日。OpenAI API の公式料金ページには米ドル(USD)で、入力 2.50 米ドル/100 万トークン、出力 10.00 米ドル/100 万トークンと記載されています。書き起こしの推定費用は 0.006 米ドル/分です。これは推定値であり、別途保証された固定の分単位課金額ではありません。(developers.openai.com)
入力モダリティの表記は公式資料間で異なります。料金表ではこのモデルの入力欄でモダリティを細分化していません。一方、OpenAI の Realtime 書き起こしの例では、音声入力 6.00 米ドル/100 万音声トークン、テキスト入力 2.50 米ドル/100 万テキストトークン、テキスト出力 10.00 米ドル/100 万テキストトークンと記載されています。具体的な音声入力料金は、アカウントの請求明細および OpenAI の最新の説明で確認する必要があります。(developers.openai.com)