OpenAI オーディオ API：機能、価格、および利用方法

オーディオ API ガイド · 2026年9月29日更新

録音をテキストに変換したり、動画にナレーションを付けたり、顧客がAIアシスタントと会話できるようにしたいですか？その OpenAI オーディオ API 開発者には音声を処理するためのいくつかの方法が提供されていますが、各ジョブでは異なるモデル、リクエスト、および課金単位が使用されます。.

まず、完了させたいタスクから始めましょう。以下に、主なエンドポイント、現在利用可能なモデル、Pythonのサンプルコード、および料金の計算方法をご紹介します。アプリで他社の音声、チャットモデル、画像、または動画も必要となる場合は、 GlobalGPT API 別の方法として、これらのサービスと並行してオーディオ関連のタスクを処理する単一のAPIエントリポイントを提供します。.

OpenAIオーディオAPIとは何ですか？

OpenAI Audio API は、音声の処理および生成を行うための開発者向けインターフェースのセットです。アプリケーションはテキストや音声データを OpenAI に送信し、モデルを選択すると、その見返りとして音声出力またはテキストを受け取ります。この API は、文字起こしアプリ、ナレーション付き記事、字幕ツール、あるいは大規模なアシスタントの音声機能などを実現するために活用できます。.

OpenAIの オーディオAPIリファレンス 音声生成、文字起こし、翻訳を分離しています。これらは有用な構成要素です。文字起こしは録音から単語を抽出します。別のテキストモデルがそれらの単語を要約に変換し、音声モデルがその要約を読み上げます。.

ChatGPTはそのまま利用できるアプリケーションですが、APIを利用すれば、ご自身のアプリケーションにモデルを追加することも可能です。ChatGPTとのみやり取りしたい場合は、まず ChatGPT 音声アクセスと制限. APIプロジェクトには、独自のセットアップおよび運用予算が必要です。.

どのオーディオエンドポイントとモデルを使用すべきでしょうか？

アプリケーションに必要な出力形式に合わせて選択してください。キャプションファイル、話者ラベル付きの文字起こし、そして生の会話は、いずれも誰かが話し始めるという点では共通していますが、それぞれ異なる成果物となります。.

現在の ファイル転写ガイド 推奨する gpt-transcribe 通常の録音の場合。ポッドキャストの文字起こしを行う場合は、そこから始めてください。単語ごとのタイムスタンプや字幕形式が必要な場合は、モデルを選択する前にそのモデル固有のオプションを確認してください。対応状況はモデルによって異なります。.

音声のストリーミングは、実際の会話とは異なります

ストリーミング形式のテキスト読み上げでは、音声ファイル全体の生成が完了する前に応答の再生が開始されます。これだけでは、アプリがユーザーによる中断を検知したり、進行中の通話を管理したりすることはできません。同様に、生成が完了したファイルからの文字起こしをストリーミングしても、ライブのマイクセッションは確立されません。.

新しい会話型ボイスアプリについて、OpenAIの 音声・音声ガイド GPT-Liveを指しています。会話は音声モデルが担当し、その間、バックエンドのエージェントが調査を行ったりツールを利用したりします。セッションモデルやツールモデルが必要な場合は、Realtime APIを別途利用することも可能です。.

OpenAI オーディオ API の使用方法

以下の例では、OpenAI API プロジェクトを作成し、API の課金設定を行い、キーを OPENAI_API_KEY サーバーまたはローカルの開発マシン上の環境変数。Python SDK を次のコマンドでインストールします。 pip install openai. 公開されているウェブページやモバイルアプリのバンドル内に、永続的なAPIキーを掲載しないでください。.

まずは短いファイルやスクリプトから始めて、アプリケーションにリクエストを追加する前に、レスポンスを確認できるようにしましょう。.

1. 録音の文字起こしをする

録音を次の名前で保存 meeting.mp3, その後、同じフォルダからこのスクリプトを実行してください。返される テキスト これは議事録であり、会議の要約やアクションアイテム一覧ではありません。.

from openai import OpenAI

client = OpenAI()

with open("meeting.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    )

print(transcript.text)

製品名や業界用語については、モデルに綴りを推測させるのではなく、関連する文脈を提供してください。現在の転写ガイドでは、以下に対応しています。 迅速, 、さらにモデル固有のキーワードや言語に関するヒントも含まれます。アプリが実際に処理する記録データから抽出した短いサンプルを使って、これらのオプションをテストしてください。.

ソースが録音されたデモやインタビュー動画である場合は、当社のガイドをご覧ください。 動画の音声を文字起こしする メディアの準備方法や、文字起こしを入手してから実用的な要約を作成するまでの手順について解説しています。.

2. スクリプトを音声に変換する

対応している音声形式を選択し、再生方法を指定してください。この例では、MP3ファイルをコンピュータに書き込みますが、ファイルは自動的に再生されません。.

from pathlib import Path
from openai import OpenAI

client = OpenAI()

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="会議の要約が完成しました。次の手順は以下の通りです。",
    instructions="落ち着いた、明瞭な口調で、適度なペースで話してください。",
) as response:
    response.stream_to_file(Path("narration.mp3"))

について テキスト読み上げガイド トーン、スピード、イントネーション、その他の発話スタイルに関する設定を管理します。出力形式はデフォルトでMP3ですが、WAV、PCM、Opus、AAC、FLACなどもサポートされています。利用可能な音声はモデルによって異なります。また、OpenAIでは、その音声がAIによって生成されたものであることを明確に開示する必要があります。.

たまにナレーションを入れるだけなら、コードを書くよりもブラウザツールを使うほうが良いかもしれません。当サイトのガイドでは、 音声合成ツールとワークフロー その手順について解説しており、ナレーションをエクスポートする前に確認すべき事項なども含まれています。.

3. 録音された音声を英語のテキストに変換する

翻訳エンドポイントでは、 whisper-1 そして、英語のテキストを出力します。既存の連携の場合、リクエストは以下のようになります。2027年2月のサポート終了を見据えてから、それに基づく新たな長期的な依存関係を構築してください。.

from openai import OpenAI

client = OpenAI()

with open("interview.mp3", "rb") as audio_file:
    translation = client.audio.translations.create(
 model="whisper-1",
 file=audio_file,
    )

print(translation.text)

このリクエストでは、英語吹き替え音声は生成されません。吹き替えには、音声生成をはじめ、プロジェクトによってはタイミング調整や映像との同期調整など、追加の手順が必要となります。別の対象言語への翻訳を行う場合は、その言語を明示的にサポートしている翻訳手法をご利用ください。.

OpenAI Audio APIの価格はいくらですか？

Audio APIの料金は一律ではありません。ファイルの文字起こし、音声生成、ライブセッションでは、それぞれ異なる課金単位が適用されます。以下の数値は、 OpenAIのAPI料金体系, 、2026年9月29日に確認。これらはOpenAIの料金であり、GlobalGPTの価格とは別物です。.

転写行には、OpenAIが公表した 概算費用 なるほど。TTSトークンの例は、2つの指定された使用総数に基づいた算術的な説明であり、スクリプトによって入力トークンと出力トークンの数が等しくなるという予測ではありません。文字、テキストトークン、オーディオトークンはそれぞれ異なる単位です。.

実際のプロジェクトを見積もる際には、文字起こし後の作業量も考慮に入れてください。会議アシスタントには、文字起こし、要約、アクションアイテム、音声再生などが必要になる場合があります。各モデル呼び出しが請求額に加算される可能性があります。また、音声エージェントは、会話が続く間、検索やその他のツールを使用することもあります。.

特にGPT-Liveに関しては、 モデル価格ページ セッション時間を、バックエンドモデルやツールの料金とは区別します。音声セッションの料金が$3かかる1時間の通話であっても、アプリケーションの総コストが必ずしも$3になるとは限りません。.

GlobalGPTには、音声、チャット、画像、動画用のAPIも備わっています

オーディオ機能がより広範な製品の一部である場合、GlobalGPTは有用な選択肢となります。その APIの概要 複数のモデルカテゴリに共通するエントリポイントを記録しています：チャットリクエストでは /v1/chat/completions または /v1/レスポンス, 一方、画像、動画、音声の生成には /v1/tasks.

たとえば、コンテンツアプリでは、チャットモデルを使って脚本を起草し、ナレーショントラックを作成し、イラストを生成し、短い動画を制作することがあります。その際、 マルチモデル・ワークフローの構築, 、各モデルに明確な役割を割り当て、各ステップ間で検証済みの結果を渡す。.

GlobalGPTの公開情報 オーディオモデルカタログ 音声関連のコンテンツ制作には「Eleven v3」、「Eleven Multilingual v2」、「Qwen Audio 3.0」、「Seed Audio 1.0」が含まれ、文字起こし作業には「Scribe」と「AI Note Taker」が利用可能です。統合で利用可能な具体的なモデルについては、アカウントのAPIカタログをご確認ください。.

より長いスクリプトの場合は、 Eleven Multilingual v2 のレビュー ナレーションや言語サポートについて、また他のElevenLabsモデルとの違いについて論じている。.

音声や環境音を含むクリエイティブなオーディオについては、, Seed Audioのボイス＆効果音ガイド 単にテキストを声に出して読むことよりも、より幅広い課題に取り組みます。自分が提供したい音声の種類に合わせて選択してください。.

GlobalGPT API の始め方

1. GlobalGPT API エリアを開き、以下の下にキーを作成します。 API → APIキー → キーの作成. 表示されたら、安全に保存してください。.
2. モデルカタログをご覧になり、必要なタスクに対応するモデルIDと価格をご確認ください。.
3. 選択したモデルの仕様書に記載されているパラメータを使用してください。オーディオタスクのリクエスト形式に従って、 /v1/tasks, OpenAIを貼り付けるのではなく /audio/speech ペイロードに変更はありません。.
4. まずは短いサンプルから試してみてください。より大規模なバッチを処理する前に、返された音声、処理完了状況、および課金対象の使用量を確認してください。.

APIのベースURLは、以下のとおりです。 https://api2.glbgpt.com/ai-api/open/v1. この読み取り専用カタログのリクエストは、キーを GLOBALGPT_API_KEY:

curl "https://api2.glbgpt.com/ai-api/open/v1/models" \
  -H "Authorization: Bearer $GLOBALGPT_API_KEY"

実際に選択したモデルに設定されている価格を使用してください。GlobalGPTのウェブサイト利用料金、クレジット残高、およびOpenAIの分単位料金は、同じリクエストに対する互換性のある見積もりではありません。.

オーディオAPIでよくある間違いとその回避方法

音声品質を決定する前に、実際の語彙（製品名、数字、略語、ユーザーが話す言語など）を含む短いサンプルをテストしてください。文字起こしの場合は、単語や話者の割り当てを確認してください。ナレーションの場合は、発音、間、話し方のペース、そして長い段落でも意図したトーンが保たれているかどうかに耳を傾けてください。.

処理の許可を得ている録音データを使用し、鍵は信頼できるサーバーに保管し、音声データを受け取るサービスのデータ利用規約を確認してください。顧客向けの製品の場合は、録音およびAI音声に関する開示事項をインターフェースに明記してください。.

どのAPIルートを選べばよいでしょうか？

OpenAIを直接選択してください アプリで特定のOpenAI音声モデル、文書化された文字起こしオプション、またはネイティブのライブ音声セッションが必要な場合。まず、そのタスクに適したモデルを選び、そのモデルの実際のリクエストおよび課金ルールに基づいて設計を進めてください。.

GlobalGPTについて考えてみましょう 製品で複数のプロバイダーのモデルと音声機能を組み合わせる場合や、チャット、画像、動画に加えて音声生成も検討したい場合。まずはAPIカタログから始め、利用可能なモデルを選択し、小規模なタスクで検証を行った上で、スケールアップしてください。.

音楽、ナレーション、文字起こしでは、それぞれ異なるモデルの選択が求められます。私たちの比較では、 タスクに応じた音声モデルの選択 楽曲の生成、ナレーション、さらに複雑なオーディオシーンなどを区別するのに役立ちます。.

単一のナレーションや会議の議事録であれば、Webツールで十分かもしれません。APIが役立つのは、自社のアプリケーションがそのタスクを繰り返し実行したり、結果を次のステップに渡したり、ユーザーに結果を提供したりする必要がある場合です。.

よくある質問

OpenAI Audio API は 1 つのモデルですか？

いいえ。これはオーディオインターフェースのセットです。音声生成、ファイルの文字起こし、ファイルの翻訳では、それぞれ異なるエンドポイントとモデルが使用されます。GPT-LiveおよびRealtimeには、ライブオーディオアプリケーション向けの、セッションベースの個別のオプションが追加されています。.

OpenAI Audio APIでは、テキストを音声に変換することはできますか？

はい。Speechエンドポイントは、テキスト、モデル、音声を引数として受け取り、音声を出力します。gpt-4o-mini-tts を使用すれば、口調や話し方などの発話に関する指示を指定することも可能です。デフォルトの出力形式は MP3 です。.

新しい文字起こしアプリには、どのモデルを使えばいいでしょうか？

OpenAIの現在のファイル転写ガイドでは、一般的な録音音声についてはgpt-transcribeの使用を推奨しています。単語のタイムスタンプ、字幕形式、話者ラベルなどの特殊な要件については、モデルによって対応状況が異なるため、別途確認してください。.

Whisperは廃止されるのでしょうか？

OpenAIは、ホスト型Whisper-1 APIモデルを、3つの旧式のGPT-4o文字起こしモデルとともに、2027年2月26日に提供終了する予定です。これはAPIモデルの提供終了であり、すべてのWhisperソフトウェアやOpenAIの音声サービスが終了するという声明ではありません。.

音声翻訳では、話された音声が返されますか？

いいえ。ファイル翻訳エンドポイントは、録音された音声を基に英語のテキストを返します。翻訳された音声を生成するには、追加の音声生成ステップ、または専用の音声翻訳サービスが必要となります。.

ライブ音声アシスタントにAudio APIを使用することはできますか？

文字起こし、テキストモデル、音声生成を組み合わせて音声アシスタントを実現することは可能ですが、リアルタイムの会話処理には追加の設計が必要です。OpenAIでは、新しい会話型音声アプリケーションの出発点としてGPT-Liveを推奨しており、別途「Realtime API」についても解説しています。.

GlobalGPTにはオーディオAPIはありますか？

はい。GlobalGPTのAPI概要ドキュメントには、画像や動画の生成に加え、タスクエンドポイントを通じた音声生成についても記載されています。モデルエンドポイントには、モデルIDと価格が記載されています。リクエストを送信する前に、選択したモデルの利用可能状況とパラメータを確認してください。.

GlobalGPTのオーディオAPIは、OpenAIのものと全く同じですか？

これらは異なるオーディオ経路を規定しています。OpenAIは専用のオーディオエンドポイントを提供するのに対し、GlobalGPTはタスクAPIを通じてオーディオ生成を行います。選択したプロバイダーのモデルIDとリクエストフィールドを使用してください。OpenAIのエンドポイントの互換性およびライブ音声のサポートについては、別途確認する必要があります。.