概要
GPT-Transcribeは、録音済みファイルやRealtimeセッションの確定済みターンを高精度に文字起こしする音声認識モデルです。APIモデルIDは gpt-transcribe です。(developers.openai.com)
能力・用途
- 完成済み音声ファイルの文字起こしに対応し、最終結果の取得またはファイル処理中のテキストのストリーミング出力が可能です。
- WebSocket経由のRealtimeセッションでは、確定済みターンの最終文字起こしに対応します。
- 自由形式の文脈、キーワード、複数の入力言語のヒントを指定でき、専門用語や多言語音声の認識に役立ちます。録音の言語を保った文字起こし向けです。(developers.openai.com)
制限
- ファイルの上限は25 MBです。対応形式にはFLAC、MP3、MP4、MPEG、MPGA、M4A、OGG、WAV、WebMが含まれます。
- 音声は入力のみで、音声生成には対応しません。画像・動画入力、関数呼び出し、構造化出力、ファインチューニングにも対応しません。
- 話者ラベル、単語単位のタイムスタンプ、字幕形式などが必要な場合は、移行前に必要な出力形式とメタデータを確認してください。低遅延のライブ音声文字起こしには、公式ガイドは別モデルの
gpt-live-transcribeを推奨しています。(developers.openai.com)
料金
OpenAIの公式モデルページは、文字起こし対象の音声時間に対して USD 0.0045/分 と記載しています。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。入力テキストや出力テキストに別途適用される単価は未確認です。確認日:2026年11月16日。(developers.openai.com)
発表日
2026年7月28日。(developers.openai.com)