2026年7月31日、米OpenAIは、開発者向けAPIで新たな音声文字起こしモデル「GPT-Live-Transcribe」と「GPT-Transcribe」の提供開始を発表した。低遅延のライブ変換と大量音声処理に対応し、AIによる業務効率化をさらに推進する。
OpenAI、用途別の新音声認識モデルを公開
OpenAIは、リアルタイム音声処理向けの「GPT-Live-Transcribe」と、録音済み音声やバッチ処理向けの「GPT-Transcribe」をAPIで提供開始した。両モデルは、従来の音声認識モデルと比べて文脈理解能力を高め、アクセントの違い、複数言語、専門用語、数字を含む発話、周囲の雑音が大きい環境でも高精度な文字起こしを可能にするという。
GPT-Live-Transcribeは、低遅延のリアルタイム文字起こし向けに設計されたモデルである。一方、GPT-Transcribeは、完了済み音声ファイルの非同期処理やバッチ処理向けに最適化されている。
今回のAPIでは、開発者が録音内容に関する自由形式の文脈情報や固有名詞、業界特有のキーワード、入力予定の言語、過去の文字起こし結果などをモデルに提供できる仕組みを採用した。これにより、AIが会話の背景を理解し、専門領域における認識精度を高められる設計となっている。
OpenAIの評価では、GPT-Live-Transcribeは文脈認識型音声認識ベンチマーク（※）で、追加情報なしの場合の意味的精度38.5％から、文脈情報を与えることで44.6％まで改善した。また22言語を対象としたCommon Voiceでは、文字起こし誤り率19.70％を記録し、従来モデル「GPT-Realtime-Whisper-1」の20.33％を下回った。
GPT-Transcribeでも性能向上が確認されている。同モデルは文脈情報を利用することで意味的精度が41.6％から45.2％へ上昇し、9言語の実環境音声評価では誤り率8.98％を達成した。従来のWhisper（whisper-1）の15.21％と比較して、大幅な改善となる。
※音声認識ベンチマーク：AIが音声を文字へ変換する能力を測定する評価基準。認識率や文脈理解などを数値化して性能を比較する。
高精度化で業務効率化が進む一方、情報管理が課題に
今回の新モデルによって、企業における音声データ活用はさらに広がる可能性がある。特に営業商談、カスタマーサポート、社内会議など、日々大量の会話データが発生する現場では、AIによる自動記録や分析の導入が進むと考えられる。
従来の文字起こし技術では、専門用語や固有名詞、雑音環境での誤変換が課題となるケースがあった。しかし、新モデルは利用者が業務固有の情報を事前に提供できるため、企業ごとの専門領域に合わせた柔軟な運用につながる点がメリットの一つになると考えられる。
また、GPT-Live-Transcribeはリアルタイム処理に対応しているため、AIエージェント（※）や音声対話システムとの組み合わせによって、会議中の要約、顧客対応支援、通訳サービスなど、新たな業務支援ツールの基盤となる可能性がある。
一方で、音声データには顧客情報や企業機密が含まれる場合も多く、導入時にはデータ管理や利用範囲の明確化が重要になる。高性能なAI文字起こしの普及に伴い、認識精度だけでなく、安全性やガバナンスへの対応も一層求められる可能性がある。
今後、音声認識AIは単なる記録ツールにとどまらず、業務判断やコミュニケーションを支援するAI基盤へ発展していく可能性がある。OpenAIの新モデル投入は、生成AIを活用した企業活動において、音声データの価値を引き出す契機になると考えられる。
※AIエージェント：利用者の目的に応じて情報収集や処理、判断補助などを自律的に実行するAIシステム。
関連記事：
