GPT-Transcribeとは？文字起こしの誤りが52%減った新AI｜料金とWhisperとの違い【2026年7月28日登場】

※本記事の情報は2026年8月11日時点のものです。料金・仕様は変わることがあります。最新はOpenAI公式開発者ドキュメントでご確認ください。

注目の投稿：OpenAI公式が発表した、2つの新しい文字起こしAI

まず現場の声ならぬ、公式の一次情報から見ていきます。OpenAIの開発者向け公式アカウントが、新モデルの位置づけを端的に説明しています。

▶ 投稿の要旨：要するに「音声認識APIの新モデルとして、リアルタイム向けのGPT-Live-Transcribeと、録音済みファイル向けのGPT-Transcribeという2種類を公開した。どちらも文脈理解力が上がり、なまり・専門用語・雑音混じりの実際の音声への対応精度が高まった」という発表です。

AI-pulse-Japan編集部メモ：ポイントは、これが“誰でもすぐ開けるアプリ”ではなく”AIを組み込む側が使う部品”だということです。経営者なら、今使っている議事録ツール・文字起こしサービスの開発元がこのモデルへ切り替えるかどうかで、契約中サービスの精度や料金が今後変わってくる可能性があります。副業・フリーランスなら、このAPIを使ったミニツールを組める(または組んでもらえる)人ほど、”文字起こし代行”の原価を大きく下げられる立場になります。

この記事で分かること（想定読了時間：約5分）
✓ GPT-Transcribeが何をしてくれるのか、非エンジニアでも仕組みごと分かる
✓ 旧モデルとの料金・精度の違いを、早見表で判断できる
✓ 議事録・文字起こし代行にどう活かせるか(と、まだ弱い部分)が分かる

GPT-Transcribeって結局何？自分のスマホやパソコンでそのまま使えるの？

結論から言うと、GPT-Transcribeは音声を文字に変換するAIの”エンジン部分”で、個人がアプリのように開いてすぐ使えるものではありません。ChatGPTの画面から呼び出す機能ではなく、API(外部のアプリからAIを呼び出す仕組み)経由で、開発者やツール側が組み込んで初めて動きます。

例えるなら、GPT-Transcribeは”優秀な速記者”そのものというより、“優秀な速記者を雇える窓口”です。窓口を使いこなすには、誰か(開発者や、その部品を組み込んだツール)が間に立つ必要があります。2つのモデルの役割は明確に分かれていて、①GPT-Transcribeは録音済みのファイルをまとめて処理する”非同期”タイプ(処理速度は実際の再生時間の約34倍速)、②GPT-Live-Transcribeは通話や配信のような”今しゃべっている音声”をその場で文字にする”リアルタイム”タイプです(OpenAI Developersコミュニティ投稿・2026年7月29日/OpenAI API公式モデルページ、2026年7月31日編集部確認)。

まず取る一歩：数字は覚えなくて大丈夫です。「自分でこれを開くアプリはまだ無い。誰かが組み込んだツール経由で恩恵を受ける」の一言だけ押さえてください。

何がどれだけ良くなったの？──料金と精度の早見表

結論から言うと、料金は旧モデルより最大25%安くなり、文字起こしの誤りは条件によって最大52%減りました。特に録音済みファイル向けのGPT-Transcribeの改善幅が大きく出ています。

出典：OpenAI API公式モデルページ「GPT Transcribe」「GPT Live Transcribe」、OpenAI Developersコミュニティ投稿(2026年7月29日)、The Decoder報道(2026年7月29日)。円換算は1ドル=159円で試算(2026年8月時点の目安・実際のレートで変動)。2026年8月11日編集部確認。

出典：OpenAI公式ベンチマーク(OpenAI Developersコミュニティ投稿・2026年7月29日、AlphaSignal報道・2026年7月29日で再確認)。数値は誤り率(低いほど高精度)。2026年7月31日編集部確認。

正直な話もしておきます。第三者ベンチマーク(Artificial Analysis社「AA-WER」)では、GPT-Transcribeの誤り率は3.3%と報告されており、ElevenLabs Scribe v2(2.2%)、Googleの最上位Gemini 3.1 Pro Preview(2.8%)、Mistral Voxtral Small(2.8%)にはまだ届いていません(2026年8月11日編集部確認)。さらに価格面でも、MistralのVoxtral Mini Transcribe 2が1分$0.003(約0.5円)とGPT-Transcribeより3割安く、「精度でも安さでも唯一の最強」ではないのが実情です。「旧モデルからの伸び幅は大きいが、使い分けが前提」と押さえておくのが安全です。

議事録・文字起こし代行に使うとき、何に気をつける？

結論から言うと、今のところ「誰が話したか」を分ける話者分離(diarization)にはまだ対応していません(2026年8月11日、OpenAI公式ドキュメントで編集部再確認)。複数人の会議を議事録にする案件では、この点を依頼者・自分自身で必ず確認してください。単語ごとのタイムスタンプや字幕(SRT/VTT)出力も同様に非対応で、これらが必要な場合は引き続き旧モデル(話者分離はgpt-4o-transcribe-diarize、字幕はwhisper-1)を使う設計になっています。

STEP1：今使っている(または検討中の)ツールが対応済みか確認する（所要時間：5分）

文字起こしアプリや議事録サービスを使っている場合、開発元のリリースノートやお知らせで「GPT-Transcribe対応」の表記があるか確認します。対応していれば、料金・精度の恩恵は自動で受けられることが多いです。発表翌日の7月29日にはMicrosoftのクラウド(Microsoft Foundry=旧Azure AI Foundry)でも提供が始まっており、企業向けツールがこのモデルを組み込みやすい環境は整いつつあります(Microsoft公式ブログ・2026年8月11日編集部確認)。

STEP2：案件が「一人の音声」か「複数人の会話」かを切り分ける（所要時間：3分）

一人のナレーションや音声メモの書き起こしなら、新モデルの精度向上をそのまま活かせます。複数人の会議・座談会で発言者を分けたい場合は、現時点では非対応という前提で見積もりを組んでください。

STEP3：対応ツールへの切り替え、または代行の依頼先を選ぶ（所要時間：案件による）

自作したい場合(エンジニア向け補足：OpenAIのAPIキーを取得し、v1/audio/transcriptionsエンドポイントに音声ファイルを送るだけで呼び出せます)は開発者に頼むか、GPTs(プログラミングなしで作れるオリジナルAIアプリ)のようなノーコードツール経由での組み込みを検討します。任せる場合は、後述の単価早見表を目安に依頼先を選んでください。

結局いくら得？──単価早見表とROI試算

当メディアが副業・経営記事で使い続けている看板の単価早見表とROI式に、今回の文字起こしAPIを当てはめてみます。案件として請け負う場合と、自社の業務に使う場合の両方で見立てを出します。

出典：AI-pulse-Japan独自の案件化フレーム（マーケターナレッジ0章・2026年7月時点の目安）。金額を保証するものではありません。

ここで見えてくるのが、API単体の原価と代行相場の開きです。1時間(60分)の音声をGPT-Transcribeで処理した原価は約43円。一方、代行案件としての相場は3,000円〜10,000円です。差額は、案件の受付・音声の整理・誤変換のチェック・納品対応など”人が引き受ける手間”に対する対価と考えると分かりやすくなります。自社の業務として使う場合の”浮く金額”は、当メディアの看板式「削減額(月)＝削減時間(h/月)×基準時給×対象人数」で試算できます。詳しい式の考え方は中小企業のAI業務効率化まとめ（柱記事）で解説しています。

※基準時給は当メディアの基準表（パート1,100円／一般社員2,000円／管理職3,600円＝2026年7月時点の目安）。削減時間は業務内容により変わり、効果を保証するものではありません。

毎月の会議の文字起こし・議事録作成に一般社員が6時間かけているなら、月12,000円ぶんの時間が浮く計算です。当メディアの独自フレーム「AI置き換え3軸(頻度×時間×ミス許容度)」に当てはめても、議事録作成は”頻度が高く・時間を取られ・定型的”な業務が多く、置き換え効果が出やすい部類に入ります。山崎の持論のひとつに「新モデルのスペック比べより、1業務に当てる方が儲かる」があります。リリースから2週間、当編集部でも実務での安定運用を検証していく段階であり、ログイン必須サイトに対応したChatGPT Workのエージェント機能のように、この文字起こしAPIが他のAIエージェント機能と組み合わさって業務代行の幅を広げていく可能性にも注目しています。GPT-5.6シリーズの使い方と合わせて、OpenAIのモデル群を業務のどこに当てるかで差がつく段階に入っています。経営者なら——契約中の議事録・文字起こしサービスが新モデルに対応するか、まず確認するのが今日やることです。副業・フリーランスなら——話者分離が要らない案件(一人語りの音声・ナレーション等)から、新モデル前提の低価格プランを試す価値があります。

▶ 自分の仕事のどこにこの文字起こしAPIを充てると得か、30秒のタイプ診断で当たりをつけられます：30秒でAI活用タイプを診断する

よくある質問（FAQ）

Q1. GPT-Transcribeは無料で使えますか？

いいえ、無料ではありません。API従量課金制で、1分あたり$0.0045(約0.72円)。ChatGPTの月額プランとは別に、開発者やツール提供元がAPI利用料を支払う仕組みで、個人がそのままアプリのように開くことはできません。

Q2. 議事録で「誰が話したか」まで分かりますか？

いいえ、現時点(2026年8月11日)では話者分離に非対応です。発言者を区別したい場合は、引き続きgpt-4o-transcribe-diarizeなど別モデルが必要になります。

Q3. 日本語の文字起こし精度は高いですか？

OpenAI公式ベンチマーク(22言語対象のCommon Voice)では旧モデルより大幅な改善が報告されていますが、言語別の内訳は公開されていません。日本語単体の精度は、自分の音声で試してから判断するのが安全です。

Q4. 今使っている文字起こしツールも自動でこのモデルに切り替わりますか？

ツール提供元が裏側のモデルを切り替えるかどうか次第です。契約中のサービスがOpenAI API採用型であれば、開発元のアップデート発表を確認してください。

Q5. 他社の文字起こしAIと比べて一番精度が高いのですか？

いいえ。第三者ベンチマーク(Artificial Analysis)では、ElevenLabs Scribe v2(誤り率2.2%)、Google Gemini 3.1 Pro Preview(2.8%)、Mistral Voxtral Small(2.8%)などの方が精度は高く、GPT-Transcribe(3.3%)は上位に迫っていますが首位ではありません(2026年8月11日時点)。価格でもMistralのVoxtral Mini Transcribe 2(1分$0.003)の方が安く、精度・価格とも「使い分け」が前提です。

まとめ：文字起こしの「原価」が変わり始めている

• OpenAIがGPT-Transcribe(録音済み音声向け)とGPT-Live-Transcribe(リアルタイム向け)を公開（2026年7月28日発表・誤りは旧モデル比最大52%減）
• 料金は1分$0.0045〜$0.017（約0.7〜2.7円）。ただし個人が直接開くアプリではなく、開発者・ツール経由での利用が前提
• 2026年8月11日時点でも話者分離には非対応。複数人の議事録案件では要確認

初心者がまず取る一歩は1つだけ。今使っている(または検討中の)文字起こし・議事録ツールが、GPT-Transcribeに対応しているかどうかを1つだけ確認してみてください。対応していれば、次回の音声処理でどれだけ精度と料金が変わったか体感できます。

あわせて読みたい

• 中小企業のAI業務効率化｜何から始めるか・費用対効果の出し方（柱記事）
• GPT-5.6の使い方｜Sol・Terra・Lunaは”安い順に試す”が正解
• ChatGPT Workが「ログイン必須サイト」に対応｜使い方3ステップと注意点

※本記事は情報提供を目的とした解説記事です（PR・自社診断コンテンツへの送客を含みます）。仕様・料金は2026年7月28日発表の公開情報（OpenAI Developers公式X・OpenAI Developersコミュニティ投稿・OpenAI API公式モデルページ「GPT Transcribe」「GPT Live Transcribe」・The Decoder/AlphaSignal報道・Artificial Analysis「AA-WER」・Microsoft公式ブログ）に基づき、2026年8月11日時点で編集部が再確認したものです。今後変更される場合があります。単価・削減額の試算は当メディアの基準表（目安）と仮の条件を当てはめた計算であり、効果・収益を保証するものではありません。
著者：AI-pulse-Japan編集部（山崎）
更新履歴：2026-07-31 初版公開（発表3日後の公式情報・第三者ベンチマークを反映）。
2026-08-11：第三者ベンチマークを最新化（Scribe v2 2.2%・Gemini 3.1 Pro Preview 2.8%・Mistral Voxtral勢の精度/価格を追記）・話者分離非対応を公式ドキュメントで再確認・Microsoft Foundry提供開始を追記・円換算を1ドル=159円に更新。