GPT Live Transcribeとは？
GPT Live Transcribe（gpt-live-transcribe）は、マイク入力、電話、ライブ字幕など、まだ届き続けている音声を文字にするためのOpenAIのモデルです。完成済みファイル向けのGPT Transcribeとともに2026年7月28日に公開され、OpenAIのライブ文字起こしの標準としてgpt-realtime-whisperを置き換えます。OpenAIは、2027年2月26日に終了するwhisper-1とGPT-4o系の文字起こしモデルの後継2つのうちの1つとして挙げています。
WebSocketかWebRTCのRealtime文字起こしセッションの中でだけ動き、返すのはテキストだけで音声は返しません。minimalからxhighまで5段階の遅延設定で、部分的なテキストが出る早さと精度のバランスを決めます。セッションには自由記述の文脈プロンプト、キーワードの一覧、複数の言語ヒントを渡せ、途中で変更もできます。
GPT Live Transcribeの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| gpt-live-transcribe | $0.017 per minute | Realtime文字起こしセッションのみ |
| gpt-transcribe | $0.0045 a minute | 完成済みファイル |
ストリーミング音声1分あたり0.017ドル（1時間で約1.02ドル）で、gpt-realtime-whisperと同じです。Batchはありません。ファイル用のgpt-transcribeは1分0.0045ドルです。
GPT Live Transcribeは使う価値があるか？
GPT Live Transcribeは、同じ価格でgpt-realtime-whisperを控えめに改善したモデルです。OpenAI自身の数字では、9言語の実環境音声での文字起こし誤り率が11.65%から9.60%に下がり、誤りは約18%減りました。一方、22言語のCommon Voiceでは20.33%から19.70%と、改善は1ポイント未満です。文脈プロンプトを加えると、OpenAIの意味ベースの精度スコアは38.5%から44.6%に上がりました。いずれも提供元によるベンチマークで、OpenAIは遅延の数値を公表していません。
弱点は価格です。1分0.017ドル、1時間で約1.02ドルは、完成済みファイル向けのGPT Transcribeの0.0045ドルのほぼ4倍で、MicrosoftのMAI-Transcribe-2-Streamingの導入価格である1時間0.54ドルのほぼ2倍です。MAI-Transcribe-2-Streamingは10月にArtificial Analysisのストリーミングのランキングで、発話終了から0.13秒、WER 2.5%で1位になりました。数秒待てる製品なら、ライブ料金を払うべきではありません。
モデル単体でできることは競合より少なめです。サーバー側の音声区間検出に対応していないため、話し終わりの判断と各発話の確定はアプリ側で行う必要があります。単語ごとのタイムスタンプ、話者ラベル、信頼度スコア、検出した言語は返しません。これらについてOpenAIはwhisper-1かgpt-4o-transcribe-diarizeを案内していますが、どちらも2027年2月26日に終了し、同等の後継は発表されていません。最終的な文字起こしは順不同で届くことがあり、項目IDで対応付ける必要があります。
設定はしっかりしています。5段階の遅延で、字幕アプリは早く文字を出し、議事録アプリは精度を待てます。キーワードは製品名に役立ち、形式の誤ったキーワードが1つでもあるとセッション更新全体が拒否されます。厳しいですが、テストで見つけやすい仕様です。レート制限はBuild階層の毎分2,000リクエストから始まり、LaunchとGrowでは10,000です。
データの扱いは規制の厳しい買い手に合っています。APIの音声は標準では学習に使われず、/v1/realtimeは不正利用監視のログを30日間保存し、ゼロデータ保持の対象です。gpt-live-transcribeは米国と欧州でのデータ所在地指定に対応しています。
真価を発揮する場面
ウェビナー基盤にライブ字幕を加えるフロントエンドエンジニア
発言から1〜2秒以内に字幕を表示する
WebRTCでRealtime文字起こしセッションを開き、遅延をlowにし、クライアント側で音声区間検出を動かして発話を確定します。60分のウェビナーは音声ストリーム1本あたり約1.02ドルです。
コンタクトセンターのアプリをgpt-realtime-whisperから移行するバックエンドエンジニア
処理の流れを変えずに文字起こしの誤りを減らす
Realtime接続はそのままでモデルを変え、単一の言語フィールドをlanguagesの一覧に置き換え、製品名をキーワードに加えます。1分あたりの価格は変わりません。
欧州の遠隔医療スタートアップのプロダクトマネージャー
音声をEUの外に出さずに診察をライブで文字にする
EUのデータ所在地指定を使い、/v1/realtimeでゼロデータ保持を申請します。医師と患者の区別はされないので、チャンネルを分けるか、後から話者分離をかける必要があります。
導入前に確認すること
- 導入
- wss://api.openai.com/v1/realtime?intent=transcriptionに接続し、type transcriptionとmodel gpt-live-transcribeを指定したsession.updateを送り、24 kHzのPCM音声を流して、各発話を自分で確定します。
- 連携
- WebSocketかWebRTCのRealtime文字起こしセッションのみ。ファイル文字起こしのエンドポイント、Chat Completions、Responses、Batchでは使えません。Azure AI FoundryとVercel AI Gatewayにも掲載されています。
- データとプライバシー
- APIの音声は標準では学習に使われません。/v1/realtimeは不正利用監視のログを30日間保存し、ゼロデータ保持の対象です。米国と欧州でデータ所在地を指定できます。
- 大規模利用時のコスト
- 月100,000分のライブ音声は1,700ドルで、量による割引はありません。同じ音声を完成済みファイルとしてgpt-transcribeで処理すると450ドルです。
- 制限
- Buildでは毎分2,000リクエストと210,000トークン、LaunchとGrowでは10,000リクエスト。サーバー側のVAD、タイムスタンプ、話者ラベル、信頼度スコア、言語検出はなく、無効なキーワードが1つあるとセッション更新が拒否されます。
良い点
- minimalからxhighまで5段階の遅延で速度と精度を調整できる
- 文脈プロンプト、キーワードのヒント、セッションごとの複数言語
- OpenAIの実環境音声テストでgpt-realtime-whisperより誤りが約18%少なく、価格は同じ
- ゼロデータ保持の対象で、米国と欧州のデータ所在地指定に対応
- 既存のRealtimeセッションにモデルを変えるだけで組み込める
気になる点
- 1分0.017ドルで、ファイル用モデルのほぼ4倍
- サーバー側の発話区切り検出がなく、自前で用意する必要がある
- タイムスタンプ、話者ラベル、信頼度スコア、言語検出がない
- 遅延の数値が公表されていない
- Realtime文字起こしセッションでしか使えない
おすすめの人
すでにOpenAIのRealtime APIを使い、話者ラベルなしで複数言語のライブ字幕や文字起こしが必要なチーム。
GPT Live Transcribeの代替
GPT Live Transcribe：よくある質問
- GPT Live Transcribeは使う価値があるか？
- OpenAIの環境でライブ字幕を作るなら堅実な標準ですが、価格は高級モデル並みで、話者ラベル、タイムスタンプ、さらには発話の区切りの検出まで自分で作る必要があります。 評価は5点満点中3.7点です。
- GPT Live Transcribeの料金は？
- ストリーミング音声1分あたり0.017ドル（1時間で約1.02ドル）で、gpt-realtime-whisperと同じです。Batchはありません。ファイル用のgpt-transcribeは1分0.0045ドルです。
- GPT Live Transcribeの欠点は？
- 1分0.017ドルで、ファイル用モデルのほぼ4倍; サーバー側の発話区切り検出がなく、自前で用意する必要がある; タイムスタンプ、話者ラベル、信頼度スコア、言語検出がない; 遅延の数値が公表されていない; Realtime文字起こしセッションでしか使えない.
- GPT Live Transcribeは誰に向いているか？
- すでにOpenAIのRealtime APIを使い、話者ラベルなしで複数言語のライブ字幕や文字起こしが必要なチーム。
- チームや本番環境でGPT Live Transcribeを使うと費用はいくらか？
- 月100,000分のライブ音声は1,700ドルで、量による割引はありません。同じ音声を完成済みファイルとしてgpt-transcribeで処理すると450ドルです。
- GPT Live Transcribeは企業データを扱っても安全か？
- APIの音声は標準では学習に使われません。/v1/realtimeは不正利用監視のログを30日間保存し、ゼロデータ保持の対象です。米国と欧州でデータ所在地を指定できます。
- GPT Live Transcribeの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はMAI-Transcribe-2-Streaming, GPT Transcribe, ElevenLabs Scribe v2 、 Deepgram Nova-3です。
回答確認日：2026年11月6日