ニュース
"先に言っといて"はAIにも効く。OpenAIの新文字起こしは誤認識が半減
2026年7月31日 12:39
OpenAI Developersは7月29日、API向けの新しい音声認識モデルとして「GPT-Live-Transcribe」および「GPT-Transcribe」の提供を開始した。前者は低遅延が要求されるライブ文字起こし用で、後者は録音済みの音声ファイルやバッチワークロードなどの非同期文字起こしに最適化している。
両モデルの大きな特徴は、文字起こしの精度を引き上げるため、開発者がAPI呼び出し時に録音内容を想定してコンテキストを入力できる点だ。自由記述のコンテキストをはじめ、人名や業界専門用語のキーワード、想定される入力言語、さらには直前の会話履歴ターンなどをモデルに提供することで、音声認識の文脈理解がより確実になるという。
これにより、従来のモデルでは読み取りにくかった専門用語や固有名詞、数字、短いフレーズなどの誤認識を大幅に低減できる。さらに、周囲に大きなバックグラウンドノイズが存在する録音環境にも対応可能だ。
公開されたベンチマークによると、事前のコンテキスト入力により、GPT-Live-Transcribeの意味的精度は38.5%から44.6%へと上昇し、GPT-Transcribeも41.6%から45.2%へ向上したという。また、22言語を対象としたCommon Voiceベンチマークにおいても、GPT-Transcribeは文字起こしエラー率19.27%を記録し、従来のWhisper(whisper-1)の40.37%から大きく改善した。
Builders can improve live audio transcription by providing:
— OpenAI Developers (@OpenAIDevs)July 28, 2026
• Free-form context about the recording
• Keywords for names and domain-specific terms
• Expected input languages
• Earlier transcribed turns as context
On our new Context Aware Automatic Speech Recognition…pic.twitter.com/l8QPrgY9xV
