GPT-4o Transcribe vs GPT-4o Transcribe Diarize
いつ、どちらを使うべきか — ベンチマーク表ではなく、厳選された評価
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。
料金
| GPT-4o Transcribe | GPT-4o Transcribe Diarize | Δ | |
|---|---|---|---|
| 音声入力 / 1Mトークン | $6 | $6.25 | 0.96× |
| テキスト出力 / 1Mトークン | $10 | $2.5 | 4× |
ビルド時のライブカタログの料金です。各モデルのページには現在の料金カードが記載されています。
機能
| GPT-4o Transcribe | GPT-4o Transcribe Diarize | |
|---|---|---|
| 話者ダイアライゼーション | 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 |
| 知識のカットオフ | 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されています。ベンダーが公開していない行は推測せず、省略しています。 すべての出典: GPT-4o Transcribe · GPT-4o Transcribe Diarize
1行で切り替え
以下のすべてのタブには両方のIDが含まれています — 変更箇所はハイライトされた2行のみです。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", # この行をアンコメントし、上の行をコメントアウトします
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", // この行をアンコメントし、上の行をコメントアウトします
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" \ # この行をアンコメントし、上の行をコメントアウトします
-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", // この行をアンコメントし、上の行をコメントアウトします
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") // この行をアンコメントし、上の行をコメントアウトします
.file(Paths.get("meeting.mp3"))
.build()).asTranscription();
System.out.println(resp.text());FAQ
GPT-4o Transcribe と GPT-4o Transcribe Diarize ではどちらが安いですか？
音声入力 / 1mトークン においては GPT-4o Transcribe の方が安価です（$6 対 $6.25、1.0× の差）。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。
2つの統合を行わずに GPT-4o Transcribe と GPT-4o Transcribe Diarize のA/Bテストを実施できますか？
はい。両方とも1つのAPIキーで同じOpenAI互換エンドポイントを通じて提供されます — モデル文字列を1行変更するだけで切り替えられるため、トラフィックの一部をそれぞれにルーティングし、請求額を直接比較できます。
GPT-4o Transcribe と GPT-4o Transcribe Diarize は話者ダイアライゼーションをサポートしていますか？
上の機能表では、各ベンダーのドキュメントから直接引用してモデルごとに回答しています — ダイアライゼーション、ストリーミング、タイムスタンプは、モデルによってこれら3つすべてが異なるため、個別にリストされています。