概要
GPT-Live-Transcribe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。音声が届くにつれてテキストの差分を返し、各音声ターンの確定時に最終的な文字起こしを返します。マイク音声、通話、ライブ字幕などに利用できます。(developers.openai.com)
主な機能
- 遅延設定を調整でき、低遅延と認識精度のバランスを選べます。
- 自由形式の文脈、キーワード、複数の想定入力言語をヒントとして指定できます。
- Realtime APIの文字起こしセッションで使用できます。(developers.openai.com)
制限
- 音声は入力のみで、音声出力、画像、動画には対応していません。
- 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ていません。
- 文字起こしセッションではサーバー側VADとセマンティックVADをサポートせず、音声ターンの終了時にクライアント側で確定操作が必要です。検出した言語の予測結果も返しません。(developers.openai.com)
料金
OpenAI APIのモデルページでは、リアルタイム音声の長さに対して**1分あたり0.017米ドル(USD)**と記載されています。公式料金表では同額が推定費用として掲載され、入力・出力それぞれのトークン単価は記載されていません。料金確認日:2026年11月16日。(developers.openai.com)
公開日
2026年7月28日。OpenAIの変更履歴でリリースが告知されています。(developers.openai.com)