Whisperの後継はコレ!OpenAIの新文字起こしAI「GPT-4o Transcribe」で精度が劇的アップ

OpenAIは従来のWhisperアーキテクチャから脱却し、音声文字起こし機能を統合する際の推奨モデルを刷新した。これまでデフォルトだったgpt-realtime-whisper-1やwhisper-1に代わり、新モデルが標準の選択肢として位置づけられている。

WhisperからGPT-4o Transcribeへ:何が変わったのか

今回の目玉は単なる精度向上だけではない。最大のポイントは「文脈理解力」の強化だ。

従来の音声認識(ASR)モデルは音声チャンクを一つひとつ独立して処理していたが、新モデルはこの弱点を克服するために設計されている。

Whisperの実力はどう評価されてきたか

あるレビューによると、GPT-4o-Transcribeは高品質なテキストを出力できる一方でタイムスタンプが付かず、Whisperはタイムスタンプを出力できるもののテキストの精度で劣るという、実運用ベースの検証結果をpromptt.devが報告している8。

また別の2026年のレビューでは、具体的なベンチマーク数値として、GPT-4o-Transcribeの単語誤り率(WER)が4.1%、Whisper-v3が5.3%という結果が示され、同じ1分あたり0.006ドルという価格でありながら誤りが約22%少ないと報告されている9。このレビューでは3種類のモデルバリエーションが提供されており、その中には話者識別(ダイアライゼーション)機能付きで通常の2.5倍の料金がかかるバージョンも含まれる9。

OpenAIの公式開発者ドキュメントでは、録音済み音声ファイルの文字起こし、ファイルの文字起こし結果のストリーミング、APIを通じた専用の音声認識機能の使い方が解説されている7。

音声認識分野で進む他社の動き

主に企業向け大規模言語モデルで知られるCohereは、2026年3月26日に「Cohere Transcribe」をリリースした10。

このモデルはHugging FaceのOpen ASRリーダーボードで首位を獲得し、OpenAIのWhisperだけでなくElevenLabs Scribe、Zoom Scribe、IBM Granite Speechをも上回った10。

これとは別に、OpenAIのWhisper技術をベースにした「WhisperAI」というプラットフォームが2026年7月、事前録音音声とリアルタイム音声認識の両方に対応した高機能な文字起こしAPIを発表した4。

普段使いの文字起こしツールにとって何を意味するのか

Whisperは68万時間分の多言語・マルチタスクの教師ありデータで学習されており、背景ノイズや専門用語など実際の音声環境に対して非常に高い頑健性を持つ6。

OpenAIがAPIで提供するwhisper-1は旧世代モデルで、セグメントごとのタイムスタンプを含む詳細なJSON出力に対応している。一方Whisper Large v3はオープンソース版としては最新で、ノイズが多い音声や訛りのある音声への精度が向上しているとされる5。

こうした違いは、クラウドAPI利用でもパソコン上で直接動くソフトウェアでも、文字起こしのバックエンドを選ぶ際の重要な判断材料になる。

Macユーザーにとっての意味

Macで音声入力を使ってメモや下書き、メッセージを作成している場合、OpenAI、Cohere、各種API提供企業間のモデル競争は主に開発者・API側で起きており、アプリ自体の体験に直結するわけではない。

• 上記で紹介したようなクラウド文字起こしAPIは、音声認識機能をアプリやサービスに組み込みたい開発者向けのものであり、日常的な音声入力ユーザー向けではない9。
• Voicciが採用しているWhisperベースのオンデバイス(ローカル)文字起こしは、音声データをクラウドAPIに送信せず端末内で処理を完結させる1。
• Whisperベースのローカルモデルは、Macでプライバシーを守りながらオフラインで音声入力を行うための実用的な基盤であり続けている1。

Voicciは、プライバシー重視の文字起こしを軸に設計されたmacOSメニューバー常駐型の音声入力アプリだ。ローカルのWhisperベース音声認識によるオフライン利用、音声入力用のグローバルホットキー、Mac上のあらゆるアプリへのテキスト直接挿入機能を備えている1。

機密性の高い録音を扱う場合、使い慣れないクラウドサービスに音声データをアップロードするのではなく、端末内で処理を完結させる方が、どのバックエンドを使うアプリであっても安全な選択だ。

今後注目すべきポイント

文字起こしを取り巻く状況は急速に変化しており、OpenAI、Cohere、サードパーティAPI各社が精度とコストの両面でしのぎを削っている910。

単語誤り率(WER)や1分あたりの料金はベンチマークやベンダーによって数値が異なるため、本番環境のパイプラインを切り替える前に一次情報源のドキュメントを確認する価値がある79。

Macで日常的に使えるプライバシー重視のオンデバイス文字起こしを探しているなら、Voicciはまさにローカル・Whisperベースの文字起こしを軸に作られたアプリだ1。