OpenAI が音声認識 API「GPT Transcribe」の新版をリリースした。前バージョン（GPT-4o Transcribe）と比べて 0.7 ポイントのエラー率改善を実現し、同時に 25% の価格低下を実現した。処理速度は実時間の 34 倍であり、開発者にとって選択肢を広げる施策となる。

性能改善と価格設定

新版 GPT Transcribe のエラー率は 3.31% となり、前版の 3.98% から改善した。同時に価格を 1 分あたり 0.0045 ドルに引き下げ、25% の低下を実現している。実時間比で 34 倍の処理速度を維持しており、バッチ処理から実時間処理まで幅広い用途に対応可能である。

テキスト文脈（context）とキーワード指定機能により、ドメイン固有の用語や人名の認識精度を改善できる仕様になっており、医療・法律・カスタマーサポートなど専門用語が多い業界での適用も想定されている。

競合ツールとの精度比較

業界ベンチマーク（AA-WER）における各ツールの精度順位は以下の通りである：

順位ツールエラー率
1位ElevenLabs Scribe v22.3%
2位Google Gemini 3 Pro2.9%
3位Mistral Voxtral Small3.0%
4位OpenAI GPT Transcribe3.31%

OpenAI は精度面では競合に後れを取る一方で、価格競争力では優位性がある。特に Mistral Voxtral Small は 1 分あたり 0.003 ドルという低価格で市場を攪乱している。

実時間処理と複数言語対応

OpenAI は GPT Transcribe に加えて「GPT Live Transcribe」という実時間処理向けのバージョンも提供しており、ライブ放送やリアルタイム翻訳が必要なユースケースに対応している。複数言語への対応により、グローバルなアプリケーション開発に活用可能である。

リアルタイム処理のレイテンシーや精度については個別の仕様公開は控えられており、開発者はベータアクセスを通じて検証する必要がある。

開発者の選択肢拡大

音声認識市場では「精度か価格か」の選択が従来は必須だった。OpenAI の新版は精度ランキングでは 4 位だが、価格・処理速度・言語対応のバランスで、特定の用途には充分な性能である。

医療記録書き起こし、カスタマーサービスの通話記録、多言語会議の自動字幕など、精度要件と価格感度のバランスが異なるユースケースに応じて、各企業が選択肢を使い分ける環境が整いつつある。