OpenAIは2025年3月20日、次世代の音声処理モデルをAPIで提供開始した。高精度の文字起こしに特化した「gpt-4o-transcribe」と「gpt-4o-mini-transcribe」、および音声合成モデル「gpt-4o-mini-tts」の3モデルが公開された。
文字起こしモデルは、OpenAIが以前から提供してきたWhisperをベースにしつつ、GPT-4oの言語理解能力を組み合わせた設計だ。固有名詞や文脈依存の語句の認識精度が向上しており、日本語を含む多言語での品質が改善されている。ノイズの多い環境音やアクセントのある発話への対応も強化された。
音声合成のgpt-4o-mini-ttsは、テキストに書かれた感情や語調のニュアンスを反映した自然な音声出力が特徴だ。従来のTTS APIと比較して、「ここは強調して」「ゆっくり話して」といった指示を理解して出力を調整できる。コールセンター向けのAIエージェントや語学学習アプリ等での活用が想定されている。
APIの価格は文字起こしが音声1分あたり0.003ドル（mini版は0.001ドル）で、以前のWhisper APIより低コスト設定になっている。リアルタイム音声対話向けのRealtime APIとは別エンドポイントで提供されており、バッチ処理や非同期処理の用途に向いた位置づけだ。
