何が起きたか
OpenAIがAPI経由で使える音声認識モデルを2種類リリースしました。録音済み音声ファイル向けの「GPT Transcribe」と、低遅延のリアルタイムストリーミング向けの「GPT Live Transcribe」です。前者は実時間の約34倍の速度で処理します。
性能面では、Artificial AnalysisのAA-WERベンチマークでGPT Transcribeの単語誤り率が3.31%。1年前の前世代モデルGPT-4o Transcribeから0.7ポイントの改善です。同時に価格は25%下がり、音声1分あたり0.0045ドルになりました。両モデルは書き起こしの文脈情報としてテキストを渡せるほか、キーワード指定と複数の入力言語に対応します。詳細はOpenAIのTranscription Guideにまとめられています。
これらはOpenAIが先に発表したRealtime系モデル群を補完する位置づけで、そちらにはリアルタイム書き起こしモデルGPT-Realtime-Whisperも含まれます。
なぜ重要か
注目すべきは、OpenAIがAA-WERランキングで首位ではないという点です。首位はElevenLabs Scribe v2の2.3%、続いてGoogleのGemini 3 Proが2.9%、MistralのVoxtral Smallが3%。OpenAIは3.31%で、この3社の後ろに位置します。
つまり音声認識は、「とりあえずOpenAI」が最適解にならない領域になりました。テキスト生成では総合力でOpenAIを選ぶ判断が通りますが、書き起こしは出力が単語列という単一の指標に落ちるため、精度と単価だけで比較できてしまう。差別化しにくい機能ほど、ベンダー選定はドライな数字の勝負になります。
価格の下方圧力
もう一つの論点は単価です。MistralはVoxtral Transcribe V2で1分0.003ドルという水準を提示しており、OpenAIの0.0045ドルを下回ります。OpenAIが25%の値下げを打った直後にこの状況というのは、音声認識APIの単価がまだ底を打っていないことを示しています。
精度の差も見方が必要です。3.31%と2.3%の差は、1000単語あたり誤りが約33語か23語かという差。議事録の下書きやコールログの検索用インデックスなら実務上の差は小さく、医療・法務・金融のように固有名詞と数値の取り違えが致命傷になる用途では1ポイントの差が後工程の修正コストに直結します。用途を分けずに一律で最高精度を買うのは、多くの企業でオーバースペックです。
💼 事業会社視点：これは自社にどう効くか
まず自社の音声処理コストを再計算すべきです。 1分0.0045ドルという水準は、月1万時間の通話を全量書き起こしても月額数千ドル規模。「コストが高いので通話の一部だけサンプリング」という設計判断は、すでに前提が崩れています。コールセンターを持つEC・保険・不動産事業は、全通話の全量テキスト化を前提に設計をやり直す価値があります。
SaaS事業者は、音声認識を自社の競争優位に数えないこと。 AA-WERで首位のElevenLabs Scribe v2が2.3%、OpenAIが3.31%、最安のMistralが1分0.003ドル——この構図は、書き起こしエンジンが差し替え可能な部品だと示しています。特定ベンダーのAPIを直接コードに埋め込まず、抽象化レイヤーを挟んで四半期ごとに乗り換えられる状態を作るのが、事業責任者が今出すべき指示です。価値は書き起こしの後段、つまり自社データでの要約・タグ付け・業務接続に置きます。
受託開発・SIには短期の商機があります。 ただし「文字起こしを導入する」提案は単価が崩れます。GPT Live Transcribeのリアルタイム性を使った通話中のリアルタイム支援、キーワード指定機能を使った業界用語辞書の作り込み——顧客固有の語彙と業務フローに踏み込んだ部分だけが有償の価値として残ります。