何が起きたか
OpenAIがAPI経由で音声認識モデルGPT TranscribeとGPT Live Transcribeを公開した。GPT Transcribeは事前録音音声をリアルタイムの約34倍の速度で処理し、GPT Live Transcribeはリアルタイムストリーミングを低遅延で処理する。新型GPT Transcribeの単語誤り率は3.31％で、GPT-4o Transcribeから0.7ポイント改善し、価格は25％削減されて1分当たり0.0045ドルとなった。
なぜ重要か
OpenAIの音声認識モデルはAA-WERベンチマークで4位にランクインし、ElevenLabs Scribe v2（2.3％）、GoogleのGemini 3 Pro（2.9％）、MistralのVoxtral Small（3％）に次ぐ。価格引き下げにより、Mistral Voxtral Transcribe V2の1分当たり0.003ドルと競合する立場になり、競争の激しい音声認識市場での利益率の圧力にOpenAIが対応している可能性を示唆している。
注目点
これらのモデルはテキストを音声認識のコンテキスト、キーワードとして受け付け、複数の入力言語に対応しており、最近発表されたRealtime モデル生成（GPT-Realtime-Whisperを含む）を補完する。詳細な技術情報はOpenAIの音声認識ガイドで利用できる。
こういう要約が、毎朝あなたのメールに届きます。
OpenAIによるGPT TranscribeとGPT Live Transcribeのリリースは、音声認識機能における段階的だが意味のある改善を示している。単語誤り率0.7ポイント削減と25％の価格引き下げは、ElevenLabs、Google、Mistralがより強いベンチマークを確立している市場での競争力維持の努力を示唆している。ElevenLabs Scribe v2がAA-WERランキングで2.3％でリードしており、GoogleのGemini 3 Pro（2.9％）とMistralのVoxtral Small（3％）の両者がOpenAIの提供を上回っている。より注目すべきは、MistralがOpenAIの0.0045ドルの価格ポイントを下回る1分当たり0.003ドルへの最近の転換がOpenAI自身の価格調整を促したと思われることだ。これらのモデルがテキストコンテキスト、キーワード、複数の入力言語をサポートすることは、柔軟なツールとしてのポジションを確立し、最近発表されたRealtime モデル生成（GPT-Realtime-Whisperを含む）との統合は、同社がより広いリアルタイムAI機能に音声認識をバンドルしていることを示唆している。適度な精度向上と積極的な価格設定の組み合わせがより高速な競合との差を埋められるかどうかは、今後を見守る必要がある。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
ElevenLabsが220億ドルの評価額で3億ドルの従業員向けテンダーを完了し、Mati Staniszewski氏は音声が主要なインターフェースになると予測した
OpenAIは10月15日、Rosalind Academic Planを発表した
Qiita記事がLLMアプリ向け自動レッドチーミング手法GCG・PAIR・TAPを実LLMなしの模擬実装で比較した
Liquid AIは2026年10月15日、オープンウェイトの改良版意思決定モデルd1-ultraを公開した
CircliaがTASTE SIGNALの実証実験を開始した
フランス数学会会長イザベル・ガラガー主催のウェビナーで、フィールズ賞受賞者のユーゴ・デュミニル＝コパンは、OpenAIが350の主要未解決問題の解答を一夜で公開したと述べた
