新規 無料登録、10回の呼び出しを進呈。最大 $1、カード不要。

GPT-4o Transcribe

2025-03-20 リリース

transcription

GPT-4o Transcribe は GPT-4o を用いて音声を文字起こしするモデルで、OpenAI のプレミアムな文字起こし提供として位置づけられています。

入力
音声 テキスト $2.5/M
出力
テキスト $10/M
音声入力
$6/M
コンテキスト
16K
知識カットオフ
2024-06

ベンチマーク

平均超え比較できるのは 1 件のみ
GPT-4o Transcribe 測定された他モデル 測定対象の平均 他モデルに上回られていない
WenetSpeech test-net (CER)
15.3%

ベンダー公表: Alibaba (Qwen) ByteDance Google OpenAI

価格の位置づけ

同種 3 モデル中の料金の位置

入力$2.5/M
$1.25 · GPT-4o Mini Transcribe GPT-4o Transcribe · $2.5
出力$10/M
$2.5 · GPT-4o Transcribe Diarize GPT-4o Transcribe · $10

このバーは、Synthorai 上の同種モデルの中でこのモデルの価格がどこに位置するかを示します。両端には最も安いモデルと最も高いモデルの名前が入ります。表示は基本料金で、バッチ・リージョン・キャッシュ書き込みの割引は料金ページにあります。

スペックと制限

トークン

最大出力(ベンダー仕様) 2,000
知識カットオフ 2024-06

音声

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)
音声の制限
  • 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。
話者分離 非対応
ストリーミング文字起こし 対応
タイムスタンプ 非対応

モデル

モダリティ 音声 + テキスト → テキスト

出典:OpenAI 公式ドキュメント ↗

30 秒で GPT-4o Transcribe を使う

OpenAI 互換。base_url を差し替えるだけで、SDK はそのまま。POST /v1/audio/transcriptions

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",
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

GPT-4o Transcribe について

  • 公式ページは、初代 Whisper モデルと比べた単語誤り率の改善と、より優れた言語認識と精度を挙げています。
  • リクエストは 16K トークンのコンテキストウィンドウと最大 2K 出力トークンを持ち、モデルは文字起こしとリアルタイムの両エンドポイントで提供されます。
  • アップロードは文字起こし API の共通の制限に従い、mp3、mp4、mpeg、mpga、m4a、wav、webm をファイルあたり 25MB まで受け付け、より長い録音はクライアント側で分割します。
  • Whisper と異なりプロンプトを受け付けます。
  • OpenAI はこれを、他の GPT-4o モデルにプロンプトするのと同じ方法でモデルに追加のコンテキストを与え、文字起こしの品質を高める手段だと説明しており、名前、専門用語、製品名の綴りに有用です。
  • ストリーミング文字起こしに対応し、信頼度を扱うパイプライン向けに対数確率も利用できます。
  • 統合を形づくる制限が 2 つあります。
  • 出力は JSON かプレーンテキストのみで SRT、VTT、詳細 JSON はなく、単語レベルやセグメントレベルのタイムスタンプの粒度はこのモデルでは提供されません。
  • 言語のカバレッジは文字起こし API が公開する 70 を超える言語のリストに従い、OpenAI は普遍的な対応を主張するのではなく単語誤り率のしきい値で線引きしています。
  • 知識カットオフは 2024 年 6 月です。
  • OpenAI はストリーミングが最優先でない場合の、より高精度な選択肢として位置づけています。
  • Synthorai では OpenAI 互換の /v1/audio/transcriptions ルートにそのまま組み込めます。

よくある質問

GPT-4o Transcribe API は無料で試せますか?

はい。新規アカウントには 10 回のトライアル呼び出しと最大 $1 の無料クレジットが付与され、カード登録は不要です。支払い方法を追加する前に、実際のワークロードで GPT-4o Transcribe を試すには十分な量です。

GPT-4o Transcribe は何が得意ですか?

プレミアム文字起こしティア、初代 Whisper より優れた言語認識、文字起こしとリアルタイムのエンドポイントで提供。全体像はベンダー公式のリリースノートに基づく「このモデルについて」セクションをご覧ください。

GPT-4o Transcribe の料金はいくらですか?

Synthorai 上の GPT-4o Transcribe は入力 100 万トークンあたり $2.5、出力 100 万トークンあたり $10 です。ベンダー定価のままで、プラットフォーム手数料はありません。

GPT-4o Transcribe はどの言語に対応していますか?

GPT-4o Transcribe は 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) に対応しています。Synthorai では POST /v1/audio/transcriptions で呼び出せます。OpenAI 文字起こし API と同じ形式です。

GPT-4o Transcribe を利用するには?

お使いの OpenAI SDK の base_url を "https://synthorai.io/v1" に向け、model="gpt-4o-transcribe" を設定すれば完了です。API キー 1 本でゲートウェイ上のすべてのモデルを利用できます。

関連モデル

比較

このページの値はすべてベンダー自身のドキュメント(上部にリンク)から転記し、確認した日付を付しています。価格はカタログ全体で比較しますが、ベンダーごとに定義が異なる仕様値は差異を明記するにとどめ、図表で比較はしません。当社が測定した数値はなく、スコアも付けていません。

API キーを取得 コストを比較する →