GPT Realtime Whisper

transcription

GPT Realtime Whisper は、ライブ音声から低遅延の文字起こし更新を出す OpenAI のモデルです。

入力
音声 テキスト
出力
テキスト
価格
$0.017/min
コンテキスト
16K
知識カットオフ
2024-09

価格の位置づけ

同種の 9 モデルの中での価格の位置

1 分あたり$0.017/min
$0.002 · Seed ASR GPT Realtime Whisper · $0.017

このバーは、Synthorai の同種モデルの中で、このモデルの価格がどのあたりにあるかを示しています。両端には、最も安いモデルと最も高いモデルの名前を表示しています。表示しているのは基本料金で、バッチ、リージョン、キャッシュ書き込みに関する割引は料金ページに記載しています。

仕様と制限

トークン

コンテキストウィンドウ(ベンダー仕様) 16,000
最大出力(ベンダー仕様) 2,000
知識カットオフ 2024-09

音声

言語 OpenAI はこのモデル固有の対応言語一覧を公開していません。対象言語の実際の音声で確認してください。
音声の制限 ライブ音声を低遅延で逐次文字起こしします。文字トークンではなく音声の分単位で課金します。
ストリーミング文字起こし 対応

モデル

モダリティ 音声 + テキスト → テキスト

出典:モデル仕様の出典 ↗

30 秒で GPT Realtime Whisper を使い始める

OpenAI Realtime セッション内の入力文字起こしモデルとしてのみ使用します。Realtime モデルでセッションを開き、session.audio.input.transcription.model に gpt-realtime-whisper を指定します。WS /v1/realtime

import asyncio, json, websockets

URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1"
# Send ONLY the Authorization header - the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}

async def main():
    async with websockets.connect(URL, additional_headers=HEADERS) as ws:
        # 1) name gpt-realtime-whisper as the session's input transcription model
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "audio": {"input": {"transcription": {"model": "gpt-realtime-whisper"}}},
            },
        }))
        # 2) send input audio (base64 PCM16) and commit it
        await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
        await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
        # 3) the transcript of what was said arrives as its own event
        async for raw in ws:
            ev = json.loads(raw)
            if ev["type"] == "conversation.item.input_audio_transcription.completed":
                print(ev["transcript"])
                break

asyncio.run(main())

GPT Realtime Whisper について

  • 課金は文字トークンではなく音声の長さに基づきます。
  • OpenAI は新規導入には新しい文字起こしモデルを推奨し、このモデルは対応する既存連携向けに残しています。

よくある質問

GPT Realtime Whisper API は無料で試せますか?

はい。新規アカウントには 10 回のお試し呼び出しと最大 $1 の無料クレジットが付き、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 Realtime Whisper を試すには十分な量です。

GPT Realtime Whisper は何が得意ですか?

ライブ音声の逐次文字起こし、音声の分単位で課金、新規導入では新モデルも比較。詳しくは、ベンダー公式のリリースノートをもとにまとめた、このページのモデル紹介セクションをご覧ください。

GPT Realtime Whisper の料金はいくらですか?

Synthorai での GPT Realtime Whisper の料金は、文字起こしする音声 1 分あたり $0.017 です。従量課金で、プラットフォーム手数料もサブスクリプションも不要です。

GPT Realtime Whisper はどう使いますか?

GPT Realtime Whisper は単独では呼び出しません。Realtime セッション内で話者の音声を文字起こしします。Realtime モデルで wss://synthorai.io/v1/realtime に接続し、session.audio.input.transcription.model を "gpt-realtime-whisper" に設定すると、各文字起こし結果が conversation.item.input_audio_transcription.completed イベントで返ります。料金は入力音声 1 分あたり $0.017 で、セッション自体の料金に加算されます。

GPT Realtime Whisper を利用するには?

Synthorai の API キーで Realtime セッションを開き、入力文字起こしモデルとして "gpt-realtime-whisper" を指定してください。GPT Realtime Whisper は Realtime セッション向けで、/v1/audio/transcriptions のファイル API 用ではありません。ファイルを文字起こしする場合は、音声文字起こしモデルを選んでください。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

仕様とベンダーのベンチマークには出典を付記しています。ゲートウェイの対応状況は Synthorai の実装を示します。保存された例は個々のリクエストの結果であり、モデル全般の性能を保証するものではありません。料金は公開料金 API またはビルド時のスナップショットに基づきます。

API キーを取得 コストを比較する →