GPT-4o Transcribe vs GPT-4o Transcribe Diarize
どんなときに、どちらを選ぶか
テキスト入力はどちらも 100万あたり $2.5、コンテキストも同じ 16000 トークン。diarize 版は音声がわずかに高く(100万音声入力トークンあたり $6.25 対 $6)、テキスト出力ははるかに安い($2.5 対 $10)です。加わるのは話者分離と diarized_json — 話者ラベルとセグメントのタイムスタンプ — で、代償として 30 秒を超えると chunking_strategy が必須になり、prompt が使えません。素の逐次書き起こしなら gpt-4o-transcribe、誰が話したかが要るなら diarize 版です。
ベンチマーク
GPT-4o Transcribe Diarize:ベンダーがベンチマークスコアを公表していません。
ベンダー公表値: Alibaba (Qwen) ByteDance Google OpenAI
料金
| GPT-4o Transcribe | GPT-4o Transcribe Diarize | Δ | |
|---|---|---|---|
| 音声入力 / 100 万トークン | $6 | $6.25 | 0.96× |
| テキスト出力 / 100 万トークン | $10 | $2.5 | 4× |
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。
対応機能
| GPT-4o Transcribe | GPT-4o Transcribe Diarize | |
|---|---|---|
| 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 | なし | あり |
仕様
| GPT-4o Transcribe | GPT-4o Transcribe Diarize | |
|---|---|---|
| 入力モダリティ | テキスト 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 | 2025-03-20 | 2025-10 |
| 知識カットオフ | 2024-06 | 2024-06 |
| 制限 | mp3/mp4/mpeg/mpga/m4a/wav/webm, up to 25MB streaming transcription supported (incl. Realtime transcription sessions) json/text output only no word timestamps or diarization | mp3/mp4/mpeg/mpga/m4a/wav/webm, up to 25MB built-in speaker diarization with diarized_json output (speaker labels + segment timestamps) chunking_strategy required for audio >30s no prompt support |
| 言語 | 57 languages listed for the transcriptions endpoint (one shared list for all transcription models) ISO 639-1 / 639-3 codes accepted for GPT-4o-based models | 57 languages listed for the transcriptions endpoint (one shared list for all transcription models) ISO 639-1 / 639-3 codes accepted for GPT-4o-based models |
| 最大出力 | 2K | 2K |
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: GPT-4o Transcribe · 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="gpt-4o-transcribe",
# 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)import OpenAI from "openai";
import fs from "node:fs";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.audio.transcriptions.create({
model: "gpt-4o-transcribe",
// 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: fs.createReadStream("meeting.mp3"),
});
console.log(resp.text);curl https://synthorai.io/v1/audio/transcriptions \
-H "Authorization: Bearer sk-syn-..." \
-F model="gpt-4o-transcribe" \
# -F 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
-F file=@meeting.mp3package main
import (
"context"
"fmt"
"os"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
f, _ := os.Open("meeting.mp3")
resp, _ := client.Audio.Transcriptions.New(context.TODO(), openai.AudioTranscriptionNewParams{
Model: "gpt-4o-transcribe",
// 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: f,
})
fmt.Println(resp.Text)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.audio.transcriptions.*;
import java.nio.file.Paths;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
Transcription resp = client.audio().transcriptions().create(
TranscriptionCreateParams.builder()
.model("gpt-4o-transcribe")
// .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(Paths.get("meeting.mp3"))
.build()).asTranscription();
System.out.println(resp.text());よくある質問
GPT-4o Transcribe と GPT-4o Transcribe Diarize ではどちらが安いですか?
音声入力 / 100 万トークンは GPT-4o Transcribe のほうが安くなります($6 対 $6.25、1.0 倍の差)。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。
GPT-4o Transcribe 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。
GPT-4o Transcribe 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。