OpenAI: GPT-4o Transcribe

GPT-4o Transcribe は、OpenAI の音声テキスト変換モデルで、GPT-4o の音声機能を基盤としています。文字起こしカテゴリに属するため、その役割は会話的な応答を生成することではなく、話された音声を書き言葉のテキストに変換することです。すでに他の OpenAI モデルをスタック経由でルーティングしている場合、これも同じプロバイダーのモデルであり、同じ一般的なアクセスパターンに従います。

このモデルは音声のみを入力として受け取り、出力として文字起こしを返します。コンテキスト長は 128,000 トークン、最大出力は 115,200 トークンで、文字起こし作業には十分な余裕があります。長い録音、複数話者のセッション、大量の音声バッチも、多数の小さなリクエストに分割せずに処理できます。出力はチャット補完ではなく文字起こしであるため、アシスタント形式の回答ではなく、音声で話された内容を反映したテキストが返ることを想定してください。プロバイダーはこれを高品質な音声テキスト変換モデルと説明しており、課金は入力と出力の両方でトークン単位です。これにより、各リクエストが何を消費するかをトークンレベルで把握できます。

実用的なユースケースは、この形状から直接導かれます。会議や通話の録音は、メモ、検索、アーカイブ用のテキストに変換できます。ボイスメモ、インタビュー、研究録音は、後で分析するために文字起こしできます。ポッドキャスト、講義、および同様の長尺音声は大きなコンテキストウィンドウに収まるため、チャンクに分割する代わりに相当なサイズのファイルを 1 回のリクエストで送信できます。文字起こしをパイプラインのステップとして必要とし、下流の要約、インデックス作成、レビューツールに渡すチームは、このモデルを最初の段階として使用できます。音声があり、そこから信頼できるテキストを得る必要があるあらゆる場面が、これの想定ワークロードです。

これは、モデル id "openai/gpt-4o-transcribe" を使用して、api14 の OpenAI 互換 API 経由で呼び出します。API が OpenAI 互換であるため、既存の OpenAI クライアントを api14 のエンドポイントに向け、通常どおり音声入力を送信できます。独自の統合は不要です。このモデルのサポート対象パラメータ一覧は空であるため、標準のリクエストフィールド以外に設定する追加のチューニングオプションはありません。リクエストはシンプルに保ち、モデルのデフォルトに依存してください。課金は入力と出力の両方でトークン単位であるため、現在の料金についてはこのページのライブ価格表を確認してください。

留意すべき点の 1 つは範囲です。このモデルは文字起こし専用に作られているため、テキストについて推論するアシスタント、質問に回答するアシスタント、または構造化出力を生成するアシスタントが必要な場合は、汎用チャットモデルの方が適しています。同様に、音声が短く単純であれば、より軽量な文字起こしオプションで十分な場合があります。長い録音や、トークンレベルの課金の可視性が重要なワークフローでは、GPT-4o Transcribe が素直な選択です。