OpenAI: GPT Transcribe

GPT TranscribeはOpenAIの音声テキスト変換モデルで、api14にモデルID openai/gpt-transcribeとして掲載されています。文字起こしカテゴリに属しているため、その役割は狭く特定的です。会話的な返答を生成したり汎用チャットを処理したりするのではなく、音声をテキストに変換します。発話内容を書き起こしテキストにするパイプラインを構築している場合、これはプロバイダーがそのステップ向けに意図している種類のモデルです。

このモデルは入力モダリティとして音声を受け取り、出力として文字起こしを返します。プロバイダーの説明によると、録音音声、ストリーミングされたファイルの文字起こし、コミットされたRealtimeターンに適した高精度の音声テキスト変換モデルです。自由形式のコンテキスト、キーワードヒント、複数言語をサポートします。このモデルのコンテキスト長は公開されておらず、最大出力はゼロと記載されているため、実用的な制限はこのページからトークン予算を想定するのではなく、プロバイダー自身のドキュメントで確認すべきものとして扱ってください。このページで明確にされているのは、やり取りの形です。つまり、音声を入力し、テキストを出力し、任意のコンテキストとキーワードのガイダンスで認識を誘導できます。

ユースケースはそこから直接導かれます。録音音声の文字起こしは、会議の録音、インタビュー、ポッドキャスト、ボイスメモ、およびテキストとして検索可能にしたい発話資料のアーカイブを対象とします。ストリーミングされたファイルの文字起こしは、音声がファイルとして到着し、より大きな処理ジョブの一部として文字起こしを生成したいワークフローに適合します。コミットされたRealtimeターンは、インタラクティブなセッションの一部としてライブまたはほぼライブの音声が文字起こしされることを示します。自由形式のコンテキストは、音声が何についてのものかをモデルに伝えられる場合に役立ちます。たとえばドメイン語彙や通話の主題などです。キーワードヒントは、特定の用語、名前、専門用語が出現しそうだと分かっている場合に役立ちます。複数言語サポートにより、同じエンドポイントで多言語音声を扱えるため、言語ごとに別のモデルを強いられることはありません。

これはapi14のOpenAI互換APIを通じて、モデルID openai/gpt-transcribeを使って呼び出します。そのため、既存のOpenAIクライアントライブラリとリクエストパターンは、ベースURLをapi14に向けることでそのまま使えるはずです。このモデルのサポート対象パラメータ一覧は空です。つまり、エンドポイントがデフォルトで受け入れるもの以外に、ここで文書化された追加のリクエストパラメータはありません。実用的には、音声とモデルIDを送信し、temperatureやカスタムサンプリング設定などのチューニングオプションがこのページに記載されていることに依存しないでください。一覧にないパラメータが必要な場合は、利用可能だと想定する前にプロバイダーのドキュメントを確認してください。

このモデルは文字起こし専用であるため、テキスト生成、推論、ツール呼び出し、画像入力が必要なタスクには適していません。ワークロードがチャット、コード、一般的なテキストである場合、カタログ内の別のモデルの方が適しています。また、このページには公開されたコンテキスト長がなく、最大出力はゼロです。そのため、非常に長い音声や通常とは異なるスループット要件については、これらのフィールドから推測するのではなく、プロバイダーに動作を確認してください。