新規 無料登録で、呼び出し 10 回分(最大 $1)をお試しいただけます。カード登録は不要です。

Whisper v1

2023-03-01 リリース

transcription

Whisper v1 は OpenAI の汎用音声認識モデルで、多様な音声の大規模データセットで学習されています。

入力
音声
出力
テキスト
価格
$0.006/min

価格の位置づけ

同種の 12 モデルの中での価格の位置

1 分あたり$0.006/min
$0.002 · Fun-ASR Realtime 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

音声

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

モデル

モダリティ 音声 → テキスト
  • オープンソースの Whisper large-v2 を API 経由で提供。
  • prompt は 224 トークンまでです。

出典:OpenAI 公式ドキュメント ↗

30 秒で Whisper v1 を使い始める

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="whisper-1",
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Whisper v1 について

  • 文字起こし、多言語音声認識、音声翻訳、言語識別を行うマルチタスクシステムで、処理した音声の分単位でシンプルに課金されます。
  • GPT-4o ベースのより新しい文字起こしモデルがあるにもかかわらず、いくつかの作業では今なお OpenAI の音声スタックで唯一の選択肢です。
  • 音声を英語に変換する translations エンドポイントで提供される唯一のモデルであり、セグメントレベルまたは単語レベルのタイムスタンプ粒度に対応する唯一のモデルでもあります。
  • またファミリー中で最も広いレスポンス形式への対応を持ち、JSON、プレーンテキスト、詳細 JSON、SRT、VTT をカバーします。
  • これは字幕のパイプラインが必要とするものです。
  • トレードオフも同じくらい具体的です。
  • ストリーミングによる文字起こしには非対応で、プロンプトは内容ではなくスタイルを誘導し(モデルはプロンプトの句読点と大文字化を真似る傾向があります)、プロンプトのうち最後の 224 トークンだけが考慮されます。
  • 共通の文字起こしの制限が適用され、mp3、mp4、mpeg、mpga、m4a、wav、webm を 25MB まで受け付けます。
  • OpenAI のドキュメントは現在これを歴史的な文脈で扱っていますが、モデルページに非推奨の告知はありません。
  • Synthorai は Whisper のジョブを OpenAI 互換の /v1/audio/transcriptions ルートで受け付けるため、既存のクライアントはそのまま動作します。

よくある質問

Whisper v1 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 Whisper v1 を試すには十分な量です。

Whisper v1 は何が得意ですか?

マルチタスク:文字起こし・翻訳・言語識別、音声の分単位でシンプルに課金、文字起こしと翻訳のエンドポイントで互換。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。

Whisper v1 の料金はいくらですか?

Synthorai での Whisper v1 の料金は、文字起こしする音声 1 分あたり $0.006 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。

Whisper v1 はどの言語に対応していますか?

Whisper v1 は 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) 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。

Whisper v1 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="whisper-1" 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(上部にリンクがあります)から転記したもので、確認した日付を添えています。価格はカタログ全体で比較しています。一方、ベンダーによって定義が異なる仕様値は、違いを明記するにとどめ、グラフでの比較はしていません。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 →