文字起こしは、発話をテキストに変換する処理です。録音済みの音声を扱うか、リアルタイムで届く音声を扱うかに応じて、ワークフローを選びます。各ワークフローには、最初に使うことを推奨するモデルが 1 つあります。
文字起こしワークフローの選択
| ワークフロー | 適した用途 | 推奨モデル |
|---|---|---|
| ファイルの文字起こし | 録音済みの音声や、リクエストで処理する範囲が決まっている音声を扱う場合に使います。ファイルをアップロードすると、処理完了後に文字起こし結果をまとめて受け取ることも、処理中にテキストをストリーミングで受け取ることもできます。 | gpt-transcribe |
リアルタイム文字起こし | マイクや通話などからライブ音声を受信し、発話が届くたびにテキストが必要な場合に使います。 | gpt-live-transcribe |
出力をストリーミングで受け取るかどうかと、ライブ音声を扱うかどうかは、個別に判断できます。録音済みファイルの文字起こし結果は、Realtime セッションを開かずにストリーミングで受け取れます。Realtime を使うのは、音声がリアルタイムで届く場合や、接続を維持する必要がある場合に限ります。
用途に応じた機能の選択
まず、ワークフローに合った推奨モデルを使います。
| 必要な機能 | 使用するモデルとワークフロー |
|---|---|
| 入力音声に含まれる言語の検出 | gpt-transcribe を使ったファイルの文字起こし |
| WebSocket 経由での確定済みターンの文字起こし | gpt-transcribe を使ったリアルタイム文字起こし |
既存の実装では、対応している場合に限り gpt-realtime-whisper も使えます。文字起こしを新たに組み込む際に最初に使うモデルとしては推奨していません。
非推奨モデルを使っている既存の実装
whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize、/v1/audio/translations は非推奨となり、2027 年 2 月 26 日に提供を終了します。詳しくは廃止に関するお知らせをご覧ください。新たに文字起こしを組み込む場合は、前述のファイルの文字起こしまたはリアルタイム文字起こしの推奨ワークフローを使ってください。
既存の実装では、提供終了日まで、以下の用途別ワークフローを使えます。移行前に、アプリケーションに必要な出力形式とメタデータを確認してください。モデル ID を変更するだけでは、すべての機能を引き継ぐことはできません。
| 必要な機能 | 使用するモデルとワークフロー |
|---|---|
| 発言ごとに話者を示した文字起こし | gpt-4o-transcribe-diarize を使ったファイルの文字起こし |
単語単位のタイムスタンプ、または srt 形式と vtt 形式の字幕 |
whisper-1 を使ったファイルの文字起こし |
| 録音済みの音声の英訳 | whisper-1 を使う音声翻訳エンドポイント |
翻訳には、リアルタイム翻訳に移行してください。リアルタイム翻訳では、翻訳セッションと専用のエンドポイントを使います。これは /v1/audio/translations でファイルをアップロードするワークフローとは異なります。
本番トラフィックを切り替える前に、文字起こしの料金を確認し、実際の利用を想定した音声で推奨ワークフローをテストしてください。
文字起こしの品質向上
gpt-transcribe と gpt-live-transcribe には、次の 3 種類のコンテキストを指定できます。
prompt：録音の話題や収録時の状況などを自由形式で記述したコンテキストkeywords：製品名、医薬品名、略語など、音声に登場する可能性がある語句をそのまま記したものlanguages：録音に複数の言語が含まれる可能性がある場合に、入力として想定される言語のリスト
これらの入力には、音声に関係するコンテキストだけを指定してください。文字起こしの指示は繰り返さないでください。キーワードは認識の手がかりであり、出力が必須の語句ではありません。文字起こし結果にキーワードを含めるのは、音声にその語句が含まれる場合だけです。
これらのモデルでは、languages を使います。単数形の language フィールドは使いません。言語を 1 つだけヒントとして指定できる既存の文字起こしモデルでは、引き続き language を使います。
gpt-transcribe が Realtime API セッションで入力音声を文字起こしする場合や、文字起こし専用セッションで動作する場合は、それまでに文字起こししたターンが自動的にコンテキストとして使われます。
実際の利用を想定した音声でのテスト
アプリケーションが実際に扱う音声の条件に合わせて、文字起こしをテストしてください。テストには次の要素を含めます。
- 対象言語、アクセント、会話中に言語が切り替わるパターン
- 背景雑音、マイクの音質、電話回線を通した音声
- 名前、数値、日付、英数字の文字列、分野固有の用語
- 短い発話、長時間の録音、途中で途切れた発話
単語誤り率だけに頼らず、アプリケーションに影響する誤りを追跡してください。たとえば、医療のワークフローでは医薬品名を、サポートのワークフローでは注文番号を正しく文字起こしできるかテストします。
次のステップ
- ファイルの文字起こしのガイドをご覧ください。
- リアルタイム文字起こしのガイドをご覧ください。