OpenAI、gpt-transcribe と gpt-live-transcribe を発表

OpenAI が音声認識に新モデル「gpt-transcribe」「gpt-live-transcribe」を公開、実環境での精度と専門用語対応が強化

OpenAI は音声認識分野において、用途に応じて使い分けられる2つの専用モデル「gpt-transcribe」と「gpt-live-transcribe」の正式発表を行いました。57か国語に対応し、アクセントの強い話者や背景雑音、短縮語への認識精度を大幅に向上させたこれらのモデルは、従来の汎用ツールでは難しかった実環境での信頼性を実現します。

用途別に分かれる2つの専用モデル

OpenAI が発表したのは、処理の性質に応じて設計された2つのモデルです。一つは完了したファイル全体を転写する「gpt-transcribe」、もう一つは音声が入ってくるたびにリアルタイムでテキストを返す「gpt-live-transcribe」です。

gpt-transcribe は完成したファイルを扱い、完全な転写結果を返します。一方、gpt-live-transcribe はライブで開かれた接続を維持し、音声が届くたびにテキストを返します。

gpt-transcribeは、30分程度の会議録音でも処理に1分未満で完了するため、通話履歴のアーカイブ解析やポッドキャストの文字起こし、大量データを一度に処理するバッチジョブに適しています。精度とスループットを最適化したい場合に威力を発揮します。

対照的にgpt-live-transcribeは、リアルタイム字幕生成、音声入力（dictation）、音声インターフェースなど、遅延（レイテンシ）がユーザー体験に直結する用途で真価を発揮します。ストリーミング処理に特化し、即座のフィードバックが必要なシーンで活躍します。

57か国語と実環境ノイズへの強靭な耐性

両モデルとも57か国語に対応しており、従来のモデルが苦手としていた「アクセントの強い話者」「多言語混在」「短縮語」「固有名詞」「数値」の認識精度が劇的に向上しています。

特に実環境での利用を想定した設計が特徴です。背景雑音や横会話、BGMなどが誤って転写されるリスクが大幅に低減されています。

大きなカフェや混雑する会議室、あるいは話好きな同僚の隣で録音する場合でも、モデルはあなたが実際に何を言っているかに焦点を絞り、ノイズを効果的にフィルタリングします。

また、言語切り替えにも柔軟に対応しています。デフォルトでは多言語会話を自動的に追跡しますが、必要に応じて言語ヒントを提供することで精度をさらに高められます。英語からスペイン語へ、あるいはその逆へ、同じセッション内で自然に切り替わる音声も正確に追従しました。

開発者が制御する「カスタム辞書」機能

ドメイン特有の専門用語や固有名詞を正確に転写させるには、開発者が事前定義したリストを提供することが可能です。この機能により、セキュリティ、医療、営業などの分野で頻出するが誤認識されやすい用語への対応が可能になります。

例えば、セキュリティ分野の「phishing（フィッシング）」、営業指標の「ARR（年間経常収益）」、医療用語の「A1C（ヘモグロビン A1c）」といった専門用語を辞書に含めることで、モデルがこれらの単語を見逃すことを防ぎます。

開発者は、特に正確性が求められる単語や固有名詞、コード用語のリストをモデルに提供し、転写の正確性を担保できます。

この機能は、セキュリティや医療といったドメイン特有の要件を満たすエージェントシステムの構築を後押しするものであり、業務フロー自動化における信頼性の基盤となります。

開発者向けツールとしての即戦力性

これらの新モデルは、単なる技術デモではなく、実務に直結する開発者向けツールとして位置づけられています。従来の汎用モデルよりも実環境での信頼性が高く、コールセンターのアーカイブ解析やリアルタイム字幕生成などの業務フロー自動化に即座に適用可能です。

特に専門用語の認識精度向上は、医療やセキュリティといった高リスク・高精度が求められる分野における自動化を現実的なものへと押し上げます。OpenAI は「Happy building」と締めくくり、開発者による実装と活用を期待しています。