OpenAIが「4o」を外した文字起こしモデルを投入──GPT Transcribe・GPT Live Transcribeの料金と対応範囲

OpenAIの音声文字起こしモデルといえば「gpt-4o-transcribe」系がこれまで定番だったが、2026年7月28日、モデル名から「4o」を外した新シリーズ「GPT Transcribe」「GPT Live Transcribe」がリリースされた。公式API変更履歴（developers.openai.com/api/docs/changelog.md）とモデルページで、料金・対応範囲を確認した。

3行まとめ

• GPT Transcribe（gpt-transcribe）は完了済み音声ファイルの文字起こし向けで、料金は音声1分あたり$0.0045。GPT Live Transcribe（gpt-live-transcribe）は低遅延ストリーミング向けで、公式モデルページ実測では1分あたり$0.017と約3.8倍高い
• 両モデルともv1/realtime/transcription_sessionsのみ対応するが、GPT Transcribeはさらにv1/audio/transcriptions（ファイルアップロード）にも対応する一方、GPT Live Transcribeはそちらに非対応というエンドポイントの違いがある
• 旧世代のgpt-4o-transcribeはトークン単価制（入力$2.5/output$10、100万トークンあたり）だったのに対し、新シリーズ2つは音声の長さで課金する分単価制に変わっており、課金方式自体が異なる

変更履歴の記載内容

該当エントリの原文はこうだ。

Released GPT Transcribe for accurate file transcription and final transcripts of committed Realtime turns, along with GPT Live Transcribe for low-latency streaming transcription. Both models support free-form transcription context, keyword hints, and multiple expected input languages.

（正確なファイル文字起こしとRealtimeの確定ターンの最終トランスクリプト向けにGPT Transcribeを、低遅延ストリーミング文字起こし向けにGPT Live Transcribeをリリースした。両モデルとも自由形式の文字起こしコンテキスト、キーワードヒント、複数の期待入力言語に対応する）

「Realtimeの確定ターンの最終トランスクリプト」という表現がやや分かりにくいが、これはRealtime API（音声対話セッション）で会話が確定した箇所を、後から正確な文字起こしとして出力する用途を指している。

GPT Transcribeの仕様（モデルページで確認）

developers.openai.com/api/docs/models/gpt-transcribeのモデルページには、次の仕様が明記されている。

• 入力モダリティ：音声・テキスト、出力モダリティ：テキスト
• 対応エンドポイント：v1/audio/transcriptions（ファイル文字起こし）とv1/realtime/transcription_sessions（Realtimeの文字起こしセッション）のみ。Chat Completions・Responses・通常のRealtimeエンドポイントには非対応
• 料金：音声1分あたり$0.0045（トークン単価ではなく音声の長さで課金）
• ストリーミングに対応
• レート制限はTier制で、Tier 1が500 RPM／200,000 TPM、Tier 5では30,000 RPM／150,000,000 TPMまで拡張される

GPT Live Transcribeの詳細——見つからなかったモデルページを、URLを変えて見つけた

当初、GPT Live Transcribeの詳細仕様はモデルページ単体から確認できていなかったが、developers.openai.com/api/docs/models/gpt-live-transcribeという個別ページ自体が実際に存在し、末尾に.mdを付けて取得すると仕様が確認できた。GPT Transcribeと並べると次の違いがある。

料金差はおよそ3.8倍で、低遅延ストリーミングに特化した分だけ単価が高い。エンドポイント対応も完全に同一ではなく、GPT Live Transcribeは「ファイルをアップロードしてまとめて文字起こしする」用途（v1/audio/transcriptions）には対応していない。レート制限も、Tier 5で比べるとGPT TranscribeがRPM 30,000／TPM 1億5,000万まで拡張されるのに対し、GPT Live TranscribeはRPM 10,000／TPM 78万にとどまり、同じTierでも上限の伸び方が異なる。

gpt-4o-transcribeとの関係——課金方式そのものが変わっていた

後継関係については、公式のAPI変更履歴に明示的な記載がある。2026年8月26日付の項に「whisper-1・gpt-4o-transcribe・gpt-4o-mini-transcribe・gpt-4o-transcribe-diarizeの廃止を告知した。これらのモデルは2027年2月26日に停止する。gpt-live-transcribe または gpt-transcribe に移行すること」と書かれている（原文: 「Announced the deprecation of whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe, and gpt-4o-transcribe-diarize. These models will shut down on February 26, 2027. Migrate to gpt-live-transcribe or gpt-transcribe.」）。つまり新シリーズは旧シリーズと並存し続けるのではなく、移行先として位置づけられている。移行までの猶予は告知から約6ヶ月。

gpt-4o-transcribeのモデルページを実際に取得すると、料金体系そのものが新シリーズと異なることが分かる。gpt-4o-transcribeは「音声トークン」の入出力に対してそれぞれ100万トークンあたり$2.5（入力）・$10（出力）を課金するトークン単価制で、対応エンドポイントはv1/realtime（フルのRealtime API）とv1/audio/transcriptions（ファイル文字起こし）の2つだった。これに対し、新シリーズのgpt-transcribe・gpt-live-transcribeは音声の長さに対してシンプルな分単価で課金し、ストリーミングではv1/realtime本体ではなくv1/realtime/transcription_sessionsという文字起こし専用のエンドポイントを使う。つまり移行にあたっては、モデルIDを差し替えるだけでなく、課金の見積もり方（トークン数→分数）と、ストリーミング側の接続先の両方を作り直す必要がある。

日本語での既存カバーとの違い

「GPT Transcribe」で検索すると、Zennにはgpt-4o-transcribeを扱った記事が複数見つかる。ハルシネーション対策としてWhisperから乗り換えた実践記事や、話者分離機能を試した記事などだ。いずれも対象はgpt-4o-transcribe系であり、2026年7月28日にリリースされた新シリーズ（gpt-transcribe・gpt-live-transcribe）そのものを扱った日本語記事は、この記事の執筆時点でZenn・Qiitaともに見当たらなかった。

精度そのものは検証していない

本記事はOpenAI公式のAPI変更履歴、GPT Transcribe・GPT Live Transcribe・GPT-4o Transcribeの3つのモデルページを情報源としている。料金・エンドポイント対応・レート制限の数字はすべて公式ページの記載を突き合わせて確認したが、自分で音声ファイルを用意して実際に文字起こしを実行し、精度やレイテンシを試す作業までは踏み込んでいない。既存のgpt-4o-transcribeとの精度比較（単語誤り率など）も行っていない。移行期限（2027年2月26日）までに実際にどこまで挙動が変わるか、旧モデルが期限前に劣化・制限されるかどうかも確認していない。

関連記事: Claude・GPT・Gemini API料金の読み方 / OpenAI API、8月の実務変更5件 / OpenAIが防御側専用モデル「GPT-5.6-Cyber」を投入

感想・指摘はコメント欄へ。