文字起こしAI、ライブ／収録で分離

7月6日にGPT-Realtime-2.1／2.1-mini（Realtime APIへの推論機能追加、p95レイテンシを25%以上短縮）、7月8日にChatGPT音声モードを支える全二重音声モデル「GPT-Live」、7月22日には人手を介さず問い合わせの75%を解決したとうたう企業向け音声エージェント導入サービス「Presence」——と、OpenAIは今月ほぼ週替わりで音声関連の発表を続けてきた。単発で見れば機能追加の羅列に見えるが、7月29日の文字起こしモデル刷新でようやく一本の線が引けた。

ポイントは、「ライブ」と「収録」という2つの音声ワークロードを別モデルとして明確に切り分けたことだ。GPT-LiveがChatGPTの会話体験を支え、GPT-Realtime-2.1がAPI経由の低遅延対話を担い、そして今回の2モデルが文字起こしを担う——役割ごとにモデルを揃える設計思想が、ようやく製品ラインとして見えてきた。単なる「今週の新機能」ではなく、音声スタック全体の再構築が進んでいる兆候と読む方が実態に近い。

独立系メディアのThe Decoderの分析は、この改善に冷静な留保をつけている。GPT-TranscribeはあくまでOpenAI自身の旧モデルに対する改善であり、生の誤り率ベンチマークではElevenLabs・Google・Mistralといった競合には依然として届いていないという。「業界最高精度」を謳う発表ではなく、「自社ラインナップの弱点を埋めた」発表として読むのが正確だ。

音声認識の精度が業務要件に直結するユースケース（医療の口述記録、金融の通話録音審査など）では、この差は無視できない可能性がある。OpenAIのエコシステムに揃えることの利便性と、生の精度で優位な他社サービスを使うことのどちらを取るかは、用途次第で判断が分かれる。