新規 無料登録で、呼び出し 10 回分(最大 $1)をお試しいただけます。カード登録は不要です。

Chirp 2 vs Chirp 3

vs

どんなときに、どちらを選ぶか

どちらも音声 1 分あたり $0.016 なので、新しい chirp-3 が既定です。Recognize と BatchRecognize で 14 言語の話者分離が加わり、GA 29 とプレビュー 82 のロケールを公開しています。chirp-2 は分離を行わず、StreamingRecognize は 16 ロケールに限られます。引き換えになるのはタイムスタンプと長さで、chirp-2 は単語レベルのタイムスタンプを備え、バッチは 1 分から 8 時間まで扱えますが、chirp-3 は単語タイムスタンプを非対応と記載し、バッチは 1 時間が上限です。単語単位の時刻や非常に長い音声が必要なら chirp-2 を選んでください。

料金

Chirp 2 Chirp 3 Δ
音声 1 分あたり $0.016 $0.016 =

ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。

両モデルの位置:音声 1 分あたりの料金(この課金単位の音声文字起こしモデル全 12 件、対数スケール)

Chirp 2 · $0.016 Chirp 3 · $0.016

対応機能

Chirp 2 Chirp 3
話者分離 なし あり
ストリーミング あり あり
タイムスタンプ あり あり

仕様

Chirp 2 Chirp 3
入力モダリティ 音声 音声
出力モダリティ テキスト テキスト
リリース - 2025-10-13
制限

Auto-detected audio decoding

sync Recognize <1 min, BatchRecognize 1 min - 8 hrs, StreamingRecognize for real-time

optional word-level timestamps

language-agnostic transcription (the model infers the prevalent spoken language and transcribes in it)

no standalone language detection

no speaker diarization

speech translation supported

Auto-detected audio decoding

sync Recognize <1 min, BatchRecognize 1 min - 1 hr (<=20 min with word timestamps), StreamingRecognize for real-time

speaker diarization in BatchRecognize and Recognize (14 languages)

utterance-level timestamps (StreamingRecognize only), word-level timestamps listed as unsupported

language-agnostic transcription

29 GA + 82 preview locales

言語

Varies by method: BatchRecognize offers the most extensive coverage and Recognize is "on par with Chirp"

StreamingRecognize is limited to 16 locales (Chinese Simplified/Traditional, Cantonese, English AU/IN/GB/US, French CA/FR, German, Italian, Japanese, Korean, Portuguese (Brazil), Spanish ES/US)

29 GA + 82 Preview locales (111 total) across StreamingRecognize, Recognize and BatchRecognize

diarization covers 14 of them

仕様は各ベンダーのドキュメントから転記しています。ベンダーが公表していない項目は、推測で埋めずに省いています。 出典の一覧: Chirp 2 · Chirp 3

1 行の変更で切り替え

以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、エンドポイント、キー、リクエスト形式はすべて同じです。

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.audio.transcriptions.create(
    model="chirp-2",
    # model="chirp-3",  # この行のコメントを外し、上の行をコメントアウト
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

API キーを取得 →

よくある質問

Chirp 2 と Chirp 3 ではどちらが安いですか?

音声 1 分あたりはどちらも同じ($0.016)なので、価格は決め手になりません。以下の仕様と対応機能を見比べてください。

Chirp 2 と Chirp 3 の A/B テストは、実装を 2 つ用意せずにできますか?

はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、請求額を直接比較できます。

Chirp 2 と Chirp 3 は話者分離(ダイアライゼーション)に対応していますか?

上の対応機能の表に、各ベンダーのドキュメントに基づいてモデルごとに記載しています。話者分離、ストリーミング、タイムスタンプを別々の行にしているのは、この 3 点すべてでモデルごとに対応が異なるためです。

関連する比較

当社の実測レポートより