Chirp 3 vs GPT-4o Transcribe Diarize

vs

どんなときに、どちらを選ぶか

これら2つはどちらも話者のダイアライゼーションを伴う文字起こしを行いますが、課金単位が異なります。chirp-3は音声1分あたり$0.016、対するgpt-4o-transcribe-diarizeは100万音声入力トークンあたり$6.25に加え、100万テキスト入出力トークンあたり$2.5であるため、単一の換算を行うことは正確ではありません。長時間のジョブやライブジョブにはchirp-3を選択してください。BatchRecognizeは1分から1時間に対応し、StreamingRecognizeはリアルタイムを処理し、29のGAと82のプレビューロケールをカバーしますが、単語レベルのタイムスタンプはサポートされていません。25MB未満の短いファイルで、話者ラベルとセグメントのタイムスタンプを含むdiarized_jsonが必要な場合は、16000トークンのコンテキストと2000トークンの出力制限の範囲内でgpt-4o-transcribe-diarizeを選択してください。

料金

Chirp 3 GPT-4o Transcribe Diarize Δ
音声 1 分あたり $0.016 - -
音声入力 / 100 万トークン - $6.25 -
テキスト出力 / 100 万トークン - $2.5 -

この 2 つのモデルは課金単位が異なるため、Δ は表示していません。単位をそろえて換算するには、当社が実測していない仮定を置く必要があるためです。それぞれの料金は、上の表に各モデルの単位のまま掲載しています。

対応機能

Chirp 3 GPT-4o Transcribe Diarize
話者分離 あり 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 3 GPT-4o Transcribe Diarize
入力モダリティ 音声 テキスト 音声
出力モダリティ テキスト テキスト
リリース 2025-10-13 2025-10
知識カットオフ - 2024-06
制限 音声デコードは自動判別。同期の Recognize は 1 分未満、BatchRecognize は 1 分〜1 時間(単語タイムスタンプ付きでは 20 分以下)、リアルタイムには StreamingRecognize。話者ダイアライゼーションは BatchRecognize と Recognize で利用可(14 言語)。発話レベルのタイムスタンプは StreamingRecognize のみで、単語レベルのタイムスタンプは非対応と記載。言語非依存の文字起こし。29 の GA ロケール + 82 のプレビューロケール。 mp3/mp4/mpeg/mpga/m4a/wav/webm、最大 25MB。diarized_json 出力による話者ダイアライゼーションを内蔵(話者ラベルとセグメントのタイムスタンプ)。30 秒を超える音声には chunking_strategy が必要。prompt は非対応。
言語 StreamingRecognize、Recognize、BatchRecognize 全体で 29 の GA ロケール + 82 のプレビューロケール(合計 111。うち 14 で話者ダイアライゼーションが利用可能) transcriptions エンドポイントに掲載された 57 言語(すべての文字起こしモデルで共通のリスト。GPT-4o ベースのモデルでは ISO 639-1 / 639-3 のコードを受け付けます)
最大出力 - 2,000

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 3 · GPT-4o Transcribe Diarize

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-3",
    # model="gpt-4o-transcribe-diarize",  # 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 3 と GPT-4o Transcribe Diarize ではどちらが安いですか?

課金単位が異なるため、単一の数値では公平に比べられません。Chirp 3 と GPT-4o Transcribe Diarize の料金は、上の表にそれぞれの単位で掲載しています。ご自身のワークロードで比較してください。実用上のトレードオフは、このページ冒頭の結論で説明しています。

Chirp 3 と GPT-4o Transcribe Diarize 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 3 と GPT-4o Transcribe Diarize 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