OpenAIが文字起こしAI「GPT Transcribe」「GPT Live Transcribe」を投入、リアルタイムと後処理を分離

OpenAIが2026年7月28日、文字起こし専用の新モデル「GPT Transcribe」と「GPT Live Transcribe」をAPIとして公開したとGIGAZINEが報じた。1つのモデルに機能を詰め込むのではなく、用途別に2系統へ分けた点がまず目を引く。

GPT Transcribeは録音済み音声ファイルのバッチ処理に最適化されており、料金は1分あたり0.0045ドル（約0.74円）。公式ベンチマークでは、これまで文字起こしの標準だったwhisper-1よりエラー率が低いという。一方のGPT Live Transcribeは「話しながら字幕を生成する」低遅延のライブ文字起こしに特化し、料金は1分あたり0.017ドル（約2.78円）とTranscribeの約4倍になる。低遅延処理は計算資源の使い方が根本的に異なるため、価格差はその実装コストを映していると見てよい。

この2モデル体制は、文字起こしAIの用途が「録音後にまとめて高精度変換したい」場合と「発話と同時に字幕を出したい」場合とで、要求される特性が違うという業界の理解を反映している。両者を1モデルで賄おうとすると、低遅延側の制約（短い音声区切りでの推論）が精度側の最適化と衝突しやすい。OpenAIが公式ドキュメントでモデルを分けたのは、この用途間のトレードオフを設計段階で切り離した結果だろう。

会議録音や議事録作成の文脈で見ると、選択肢が増えたこと自体は歓迎できる動きだ。ただしGPT Live Transcribeが担うのは「発話と同時に字幕を出す」処理であり、これと「録音を終えてからまとめて文字起こし・要約する」処理とは、そもそも解決している課題が異なる。前者はリアルタイム性を、後者は精度と文脈理解を優先した設計になりやすく、会議の議事録用途では録音後処理型が引き続き有力な選択肢であり続けるとみられる。

あわせて読みたい： AI×仕事効率化ニュースまとめ｜Opus 5登場からAIボイスレコーダー新製品まで【2026年7月末】