文字起こしは、音声をテキストに変換します。録音済みの音声を扱うか、ライブで届く音声を扱うかに応じて、ワークフローを選びます。各ワークフローには、最初に使うモデルとして推奨されるモデルが 1 つあります。
文字起こしのワークフローの選択
| ワークフロー | 使用する場面 | 推奨モデル |
|---|---|---|
| ファイルの文字起こし | 録音済みの音声や、処理する範囲が決まっている音声リクエストを扱う場合に使用します。ファイルをアップロードして最終的な文字起こし結果を受け取るか、ファイルの処理中にテキストをストリーミングで受け取れます。 | gpt-transcribe |
リアルタイム文字起こし | マイクや通話などのライブ音声ストリームを扱い、音声が届くたびにテキストが必要な場合に使用します。 | gpt-live-transcribe |
出力をストリーミングするかどうかと、ライブ音声を扱うかどうかは、別々に判断します。Realtime セッションを開かなくても、録音済みファイルの文字起こし結果をストリーミングできます。Realtime は、音声がライブで届く場合や、持続的な接続が必要な場合にのみ使用してください。
特定の機能に応じた選択
まずは、ワークフローの推奨モデルを使用してください。アプリケーションに必要な機能がデフォルトのモデルにない場合にのみ、モデルを切り替えてください。
| 必要な機能 | 使用するモデルとワークフロー |
|---|---|
| 話者ラベル付きの文字起こし | ファイルの文字起こしで gpt-4o-transcribe-diarize を使用します。 |
単語単位のタイムスタンプ、または srt と vtt 形式の字幕 | ファイルの文字起こしで whisper-1 を使用します。 |
| 録音済み音声の英語への翻訳 | 音声翻訳エンドポイントで whisper-1 を使用します。 |
| 入力言語の検出結果 | ファイルの文字起こしで gpt-transcribe を使用します。 |
| WebSocket 経由でのコミット済みターンの文字起こし | リアルタイム文字起こしで gpt-transcribe を使用します。 |
既存の連携では、サポートされている場合、gpt-4o-transcribe、gpt-4o-mini-transcribe、または gpt-realtime-whisper を引き続き使用できます。ただし、新しく文字起こしを組み込む際に、最初に使うモデルとしては推奨されません。
本番環境のトラフィックを移行する前に、文字起こしの料金を確認し、実際の利用を想定した音声で推奨のワークフローをテストしてください。
文字起こし品質の向上
gpt-transcribe と gpt-live-transcribe には、次の 3 種類のコンテキストを渡せます。
prompt：話題や状況など、録音に関する自由形式のコンテキストkeywords：製品名、医薬品名、略語など、音声に登場する可能性のある用語の正確な表記languages：録音に複数の言語が含まれる可能性がある場合に、想定される入力言語を指定するリスト
これらの入力には、音声に関連するコンテキストだけを指定し、文字起こしの指示を繰り返さないでください。キーワードはヒントであり、必ず出力する語句ではありません。文字起こし結果にキーワードを含めるのは、音声にその語句が含まれている場合だけです。
これらのモデルでは、単数形の language フィールドの代わりに languages を使用します。言語のヒントを 1 つ受け取る既存の文字起こしモデルでは、引き続き language を使用します。
gpt-transcribe が Realtime API セッションで入力音声を文字起こしする場合、または文字起こし専用セッションで動作する場合は、それまでに文字起こししたターンを自動的にコンテキストとして使用します。
実際の利用を想定した音声でのテスト
アプリケーションが実際に扱う音声の条件で、文字起こしをテストしてください。次の条件を含めます。
- 対象の言語、アクセント、会話中に言語が切り替わるパターン
- 背景ノイズ、マイクの品質、電話の音声
- 名前、数字、日付、英数字の文字列、専門用語
- 短い発話、長時間の録音、途中で途切れる発話
単語誤り率だけに頼らず、アプリケーションにとって重要な誤りを追跡してください。たとえば、医療のワークフローでは医薬品名を、サポートのワークフローでは注文番号をテストします。