OpenAI、音声認識モデル gpt-transcribe を発表──Common Voice エラー率を 52% 削減
Whisper からの移行によりエラー率を 40.37% から 19.27% へ半減させつつ、フリーフォームのプロンプトやキーワードヒントによるコンテキスト注入を安価に実現した。
リリース: 2026-07-28 · 読了 3 分記事の要約
1. 核心（What）
- OpenAI はファイルバッチ用の gpt-transcribe とリアルタイム音声ストリーム用の gpt-live-transcribe を API に追加した。
- Common Voice の 22 言語テストで gpt-transcribe のエラー率は 19.27% となり、whisper-1 の 40.37% から 52% 改善した。
- gpt-transcribe の料金は 1 分あたり $0.0045 で、gpt-live-transcribe は 1 分あたり $0.017 と設定されている。
- コンテキストアウェア ASR ベンチマークにおいて、文脈注入によりスコアが 3 から 6 パーセンテージポイント向上した。
2. 影響（Why）
- コンテキスト注入による高精度化: 従来のステートレスな Whisper と異なり、自由記述のプロンプトやキーワードヒントを推論時に渡せるため、業界用語の認識精度をコード側で直接制御できるようになる。
- 国内 SaaS におけるコストと精度の両立: [国内 音声認識 SaaS 業種] の中規模事業者は、従来型 Whisper で頻発していた誤認識修正のバッチ処理コストを削減しつつ、より安価な単価で高精度なテキストデータを即座に得られる。
3. 根拠・詳細（How）
- API の価格改定と料金設計: gpt-transcribe は $0.0045/min で旧 whisper-1（$0.006/min）を下回り、gpt-live-transcribe は gpt-realtime-whisper と同等の $0.017/min で提供される。
- 未実装機能と既存モデルの使い分け: 単語単位のタイムスタンプや SRT/VTT 出力、話者分離、英語翻訳機能は未実装のため、これらが必要なユースケースでは whisper-1 や gpt-4o-transcribe-diarize の継続利用が前提となる。
4. 展望・課題（Next）
- 機能拡張のロードマップ: 現時点で欠落している話者分離やタイムスタンプ機能が今後どの API に統合されるか、OpenAI からの追加アップデートを注視する必要がある。