OpenAI、音声書き起こしモデル「gpt-transcribe」と「gpt-live-transcribe」を発表

音声認識ツールを使っていると、発話者が「口座番号の 8-4-7-2」と言ったのに、モデルが勝手に気を利かせて「84 72」と書き起こし、後続の自動化システムがエラーで止まるというトラブルがよく起こります。

OpenAI はこの実務上の課題を解消するため、バッチ処理向けの「gpt-transcribe」と、リアルタイム文字起こし向けの「gpt-live-transcribe」という 2 つの専用モデルを発表しました。いずれも Microsoft Foundry で提供が始まっています。

騒音や混在言語、英数字の並びに強くなった

今回の 2 モデルは、日常業務で頻発する認識しづらい音声への対応を強化しています。制御されていない環境の背景ノイズを除去して声を拾うほか、短い相槌や割り込み発話、語尾の途切れもしっかり捉えます。

特に強化されたのが、ID やコード、電話番号、日付、口座番号といった英数字が混ざるシーケンスの認識です。さらに、会話中の言語切り替えや業界の専門用語、多様なアクセント、小声の囁き声までカバーします。

gpt-transcribe は、OpenAI 製の音声認識モデルとして過去最高の精度をうたっており、会議録音やボイスメール、メディアファイルのバッチ処理に適しています。

一方の gpt-live-transcribe は Realtime API を通じたストリーミング文字起こしに対応しています。特徴的なのは「調整可能な遅延」機能が導入された点で、開発者は用途に応じて応答速度と精度のバランスを任意に設定できます。

あわせて、音声で聞いて音声で返す GPT-realtime-2.1 および小型版の GPT-realtime-mini-2.1 も提供されています。

なぜ重要か

コンタクトセンターの自動化や議事録ツールを開発しているチームにとって、待望のアップデートと言えます。端から端まで音声で対話するモデルは派手ですが、業務システムに渡すデータとしては、正確なテキストデータが得られる方が安全で低コストな場面が多いためです。数字の誤変換に悩まされていたなら、すぐに試す価値があります。

業界全体で見ても、OpenAI が単に対話型エージェントの派手さを追うだけでなく、文字起こしの泥臭い品質改善に注力した点は理にかなっています。コードや番号の認識ミスという実務の急所を塞ぐことこそが、エンタープライズ採用を広げる鍵になると私たちは考えます。