GPT-4o Transcribe vs Whisper v1
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。
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, 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 word- and segment-level timestamps (verbose_json), srt/vtt output no streaming only model supported on the translations endpoint (to English) |
| 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 | Trained on 98 languages 57 listed as supported, the languages that met OpenAI's under-50% word-error-rate threshold across the transcriptions and translations endpoints |
| 最大出力 | 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 · 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)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: "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: 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="whisper-1" \ # 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: "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: 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("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(Paths.get("meeting.mp3"))
.build()).asTranscription();
System.out.println(resp.text());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。