OpenAI音声API

従量課金制。文字起こしは新しいgpt-transcribeが1分あたり0.0045ドル、リアルタイム版のgpt-live-transcribeが1分あたり0.017ドルです。読み上げ（TTS）も1分あたり数円程度で使えます。

OpenAIの音声APIは、読み上げ（TTS）と文字起こし（Whisper系）の両方を、驚くほど手頃な価格で提供しています。

特に文字起こしAIのWhisper（ウィスパー）は、この分野の代名詞と言える存在で、世界中の文字起こしアプリの裏側で動いています。

日本語の精度も実用十分で、専門用語や固有名詞の扱いにさえ気をつければ、会議録や動画の字幕づくりに問題なく使えます。

読み上げについても複数の声から選べて、1分あたり約0.015ドル（約2円）という安さです。

2026年7月末には新しい文字起こしモデルも追加され、まとめて処理する用途向けに1分あたり0.0045ドルというさらに安価な選択肢や、リアルタイムでの文字起こしに対応したモデルも登場しました。

Chapter 4のOpenAI APIのアカウントがあれば、追加契約なしでそのまま使えます。文章生成と音声を組み合わせたアプリを作る場合、窓口が1つで済むのは実務上大きな利点です。

ただし、ここは大事な注意点です。2026年8月26日、OpenAIはWhisper（whisper-1）と、その後継だったgpt-4o-transcribe系の合計4つのモデルについて、2027年2月26日で提供を終了すると発表しました。今から新しく作るなら、後継のgpt-transcribe（録音済みの音声用・1分あたり0.0045ドル）またはgpt-live-transcribe（リアルタイム用・1分あたり0.017ドル）を指定してください。ネット上の解説記事の多くはまだWhisperを前提に書かれていますので、AIにコードを書いてもらうときも「gpt-transcribeを使って」と名前を伝えるのが確実です。

読み上げ（TTS）にも、同じ話があります。2026年10月1日、OpenAIは古い読み上げモデル（tts-1、tts-1-hd と、gpt-4o-mini-tts の日付つきの版）を、2027年1月6日でAPIから外すと発表しました。乗り換え先として案内されているのは、音声で会話するためのモデル「gpt-realtime-2.1-mini」です。読み上げの機能を新しく作るなら、AIに「OpenAIの読み上げは、2027年以降も使えるモデルで作って」と伝えてください。

「コスパの王様」というのが世間の一致した評価です。

読み上げの自然さはElevenLabsに一歩譲るものの、「この価格でこの品質なら文句なし」という声が主流で、まず最初に組み込む音声APIとして定番になっています。

特に、社内向けツールや個人利用のアプリでは「ElevenLabsとの品質差より、安さと手軽さの方が重要」という判断が多く見られます（ElevenLabsも9月下旬に値下げしたため、料金の差は以前より縮まっています）。

文字起こしのWhisperについては、精度の評判も高く、日本語にもしっかり対応しています。

開発者の間で有名な小技として、Chapter 5で紹介したGroq経由でWhisperを使うと音声1時間あたり約0.04ドル（約6円）とさらに激安になる、というものがあります。

長時間の音声を大量に処理するアプリを作るなら、この組み合わせは検討する価値があるでしょう。弱点として挙げられるのは、読み上げ音声の感情表現の幅がElevenLabsほど豊かではない点です。

音声機能の入門はここから始めて、品質に不満が出たら他社を検討する、という順番がお勧めです。