本文へスキップ

openai/gpt-transcribe/speech-to-text

OpenAI の高精度な音声認識モデル GPT Transcribe は、容量 25 MB・長さ 2 時間までの録音ファイルをテキストに変換します。話される言語の候補や、名前・専門用語の正しい綴りを渡して認識を補えます。

最低価格 $0.000075/秒

プレイグラウンド

入力

音声からテキスト
0/2048
話している言語での固有名詞の表記と背景 2048 文字以内
1/1
1 / 1 ファイル
外国語の製品名を含む短い録音を送り、使用言語と正しい綴りを指定して原音と照合します。 1 文字以上

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち
サンプル出力
モデルの応答

関連モデルと次のステップ

お探しのモデルが見つかりませんか?

録音ファイルと会話に対応

主なスペック

音声段の上限
60s

できること

録音ファイルと会話に対応

文脈を踏まえる認識は、短い発話で名前や用語を区別する際に役立ちます。話題を prompt で説明し、固有名詞の表記をキーワードで伝えます。先ほどの区間で示された名称を後の発話が参照するときは、継続中の転写履歴を利用できます。認識した内容は、元の発話と照らして確認してください。 区間を明示的に閉じる方式により、入力の終わりをアプリが決められます。commit 後は増分の文字列を表示し、最終イベントで確定文へ置き換えます。料金はモデルが報告した最終音声秒数に基づきます。Live Transcribe の delay 設定は、この GPT Transcribe の接続では使用しません。検出された言語が返る場合もあります。 複数言語の講演では使用言語を指定し、製品名や専門用語はキーワードとして渡せます。

活用シーン

  • 声で入力するフォーム

    音声入力フォームでは、利用者が一つの項目を話し終えたら commit し、修正できる文字列を表示します。識別番号や金額は、そのまま記録へ保存せずアプリで確認してください。

  • インタビューの段別レビュー

    インタビューのレビューでは、話題と名前の短い説明を付けて発話を区切って送ります。提出した区間と確定文の対応を残せば、曖昧な箇所を後から見直せます。

モデルリファレンス

GPT Transcribe API リファレンス

GPT Transcribe API の呼び出し方

  1. プロンプトガイドと実践のヒント

    収録済みの音声にはファイル用エンドポイントを選びます。話し終えた発話ごとにテキストが必要ならリアルタイム文字起こしを使います。 prompt は音声の背景、聞き手、用語の説明に使います。重要な名称の綴りはキーワードへ、複数言語が想定されるときは言語コードを渡してください。認識の段階で要約や回答を求めず、編集処理は転写が確定してから別に行います。 自然な発話の終わりで手動 commit を送り、選択した 1~60 秒の上限に収めます。サンプルは 24 kHz・16-bit・モノラル PCM、または 8 kHz の G.711 です。短い WAV の単輪タスクも同じ符号化を保ちます。各区間を精算してから次を受け付けます。これは提出後に始まるリアルタイム転写であり、別形式のファイル転写 API を意味しません。

GPT Transcribe API のよくある質問

GPT のすべてのモデル18

テキストモデル11