← すべてのモデル

GPT-Realtime-Whisper

公開日 提供元 OpenAIgpt-realtime-whisper

概要

GPT-Realtime-Whisperは、ライブ音声を低遅延で文字起こしするストリーミング音声認識モデルです。話者が話している間に文字起こしの差分を逐次出力し、遅延と認識精度の調整を必要とするリアルタイム用途向けに設計されています。Realtime APIで利用できます。 (openai.com)

用途

会議、授業、放送、イベントのライブ字幕、会話中の議事録作成、利用者の発話を継続的に理解する音声エージェントなどに利用できます。文字起こしを、要約やカスタマーサポートなどの後続ワークフローに活用する用途も想定されています。 (openai.com)

能力と制限

  • 音声は入力のみ対応し、テキストは入力・出力に対応します。画像と動画には対応しません。
  • ストリーミングに対応しますが、関数呼び出し、構造化出力、ファインチューニングには対応しません。
  • 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。
  • 利用制限は利用ティアによって異なり、公式モデルページではFreeティアは非対応とされています。 (developers.openai.com)

料金

OpenAI APIのリアルタイム文字起こし料金は、音声の長さに対して0.017米ドル(USD)/分です。テキストトークンではなく音声時間に基づく料金であり、公式料金表には入力・出力それぞれのトークン単価は掲載されていません。料金確認日:2026年11月16日。 (platform.openai.com)

公開日と公式情報