GPT-4o Transcribe vs Whisper v1

vs

どんなときに、どちらを選ぶか

この二つは課金単位が違います — whisper-1 は音声 1 分あたり $0.006、gpt-4o-transcribe は 100万音声入力トークンあたり $6 に加えて 100万テキストトークンあたり $2.5 と $10 — ので、両者を結ぶ単一の換算は誠実ではありません。whisper-1 は単語およびセグメント単位のタイムスタンプ、srt/vtt 出力、翻訳エンドポイントを備えますがストリーミングはできません。gpt-4o-transcribe はリアルタイム書き起こしセッションを含めてストリーミングでき、返すのは json か text のみです。字幕と翻訳なら whisper-1、ライブの書き起こしなら gpt-4o-transcribe。

ベンチマーク

Whisper v1: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 Whisper v1 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 Whisper v1 Δ
音声 1 分あたり - $0.006 -
音声入力 / 100 万トークン $6 - -
テキスト出力 / 100 万トークン $10 - -

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

GPT-4o Transcribe Whisper v1
話者分離 なし なし
ストリーミング あり なし
タイムスタンプ なし あり

仕様

GPT-4o Transcribe Whisper v1
入力モダリティ テキスト 音声 音声
出力モダリティ テキスト テキスト
リリース 2025-03-20 2023-03-01
知識カットオフ 2024-06 -
制限 mp3/mp4/mpeg/mpga/m4a/wav/webm、最大 25MB。ストリーミング文字起こしに対応(Realtime の文字起こしセッションを含む)。出力は json/text のみ。単語タイムスタンプと話者ダイアライゼーションは非対応。 mp3/mp4/mpeg/mpga/m4a/wav/webm、最大 25MB。単語およびセグメントレベルのタイムスタンプ(verbose_json)、srt/vtt の出力。ストリーミングは非対応。translations エンドポイント(英語への翻訳)で対応する唯一のモデルです。
言語 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) 対応として掲載された 57 言語(学習自体は 98 言語で、掲載の 57 言語は transcriptions と translations のエンドポイント全体で OpenAI の単語誤り率 50% 未満という基準を満たしたもの)
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: GPT-4o Transcribe · Whisper v1

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="whisper-1",  # 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 Whisper v1 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。GPT-4o Transcribe と Whisper v1 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。

GPT-4o Transcribe と Whisper v1 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 Whisper v1 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