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。

GPT-4o Transcribe vs GPT-4o Transcribe Diarize

vs

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。

平均超えGPT-4o Transcribe比較できるのは 1 件のみ
GPT-4o Transcribe GPT-4o Transcribe Diarize 測定された他モデル 他モデルの平均 ★ これを上回るモデルなし
WenetSpeech test-net (CER)
15.3%
N/A

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)

API キーを取得 →

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。

関連する比較

当社の実測レポートより