OpenAI: Whisper large-v3
whisper-large-v3- 価格
- 価格 $0.000031
- モダリティ
- オーディオ
Whisper large-v3 について
Whisper large-v3は、OpenAIの音声認識モデル「Whisper」のオープンウェイト・チェックポイントであり、約15億5000万のパラメータを持っています。約100万時間の弱ラベル付き音声と400万時間の疑似ラベル付き音声で学習されており、99言語に対応し、128個のメルフィルタバンクと広東語トークンを使用します。OpenAIの報告によると、large-v2と比較してエラー率が10〜20%低減されており、モデルカードにはApache 2.0ライセンスが記載されています。
得意なこと
- 自身でホスト可能なオープンウェイトであり、音声を自社のインフラストラクチャ内に保持できます。
- 幅広い言語において、large-v2と比較して10〜20%のエラー削減が報告されています。
- 99言語をカバーしており、本バージョンで追加された専用の広東語トークンを含みます。
- アライメント用に単語レベルおよび文レベルのタイムスタンプを生成できます。
他のモデルを検討すべきケース
- フルサイズのモデルであるため、turboバリアントと比較してデコード速度が遅く、より多くのメモリを必要とします。
- これは純粋な文字起こし用チェックポイントであり、話者ラベルやストリーミングインターフェースは備えていません。
- OpenAIのGPT-4o文字起こしモデルは、独自の評価においてより優れた単語誤り率を報告しています。
はじめに
最初のキーを作成
Consoleでキーを作成すれば、プラットフォーム内のすべてのモデルで使えます。
最初のリクエストを送信する
お使いの言語の例をコピーして、エンドポイントに対して実行してください。
音声からテキストへTokenLab エンドポイントPOST/v1/audio/transcriptionscurl -X POST "https://api.tokenlab.sh/v1/audio/transcriptions" \ -H "Authorization: Bearer sk-xxx" \ -F file="@audio.mp3" \ -F operation="stt" \ -F model="whisper-large-v3" \ -F language="en" \ -F response_format="json"
パラメータ
音声からテキストへ
| パラメーター | 値と制限 | デフォルト | 注記 |
|---|---|---|---|
file | 入力数: ≥ 1, ≤ 1 | 未提供 | Send one audio file in multipart/form-data. Maximum file size is 25 MiB. |
language | 未提供 | 未提供 | This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified. |
料金
Verified 価格は Verified に適用され、多くのモデルでより低コストです。Official 価格はモデルのメーカーが公表する価格で、信頼性の高い Official ルートに適用されます。Auto はリクエストを完了したルートの価格で課金します。
音声からテキストへ
1秒あたり- Official 価格
- $0.0000308
- Verified 価格
- —
- 割引
- —
| Official 価格1秒あたり | Verified 価格1秒あたり | 割引 | |
|---|---|---|---|
| 音声からテキストへ | $0.0000308 | — | — |
使用状況とアクティビティ
成功率は完了したリクエストの割合です。レイテンシは完全なレスポンスにかかる時間で、P95 は 95% のリクエストがその時間内に完了したことを意味します。
使用量と可用性
過去24時間- リクエスト数
- 成功率
- P95 レイテンシ
- 合計トークン数
データはステータスチェックを除外した、集計済みのユーザーリクエストに基づいています。
Consoleで開く
ConsoleでWhisper large-v3を開き、プロンプトを編集・送信できます。
whisper-large-v3と/v1/audio/transcriptionsで音声をテスト。結果とコストを表示します。
ユースケース
セルフホスト型文字起こし
外部に持ち出せない音声データに対し、プライベートネットワーク内で音声認識（Speech-to-Text）を実行します。
多言語メディア
単一のチェックポイントで、放送、講義、動画などを多言語で文字起こしします。
広東語コンテンツ
香港や広東省の音声に対し、一般的な中国語として扱うのではなく、専用の言語トークンを使用します。
字幕アライメント
文字起こしテキストを特定の動画セグメントに一致させるため、単語レベルまたは文レベルのタイムスタンプを生成します。
プロンプト例
この広東語のラジオクリップを文字起こしし、出力を中国語のテキストとして保持します。
このドイツ語のカンファレンス講演を、文レベルのタイムスタンプ付きで文字起こしします。
このフィールドレコーディングのインタビューをポルトガル語で文字起こしし、プレーンテキストで出力します。
FAQ
Whisper large-v3とは何ですか？
これは、99言語にわたる音声認識および音声翻訳のための、15億5000万パラメータを持つオープンウェイトのWhisperチェックポイントです。100万時間の弱ラベル付き音声と400万時間の疑似ラベル付き音声で学習されました。
large-v2から何が変わりましたか？
入力スペクトログラムが80個ではなく128個のメルフィルタバンクを使用するようになり、広東語トークンが追加されました。また、モデルカードでは多くの言語で10〜20%のエラー削減が報告されています。
whisper-large-v3-turboとの違いは何ですか？
turboチェックポイントはデコーダーを32層から4層に削減しており、わずかな品質低下と引き換えにデコードが高速化されています。Whisper large-v3はフルデコーダーを維持しており、両者の中で最高の精度を誇ります。
どのようなライセンスが適用されますか？
Hugging Face上のモデルカードにはApache 2.0が記載されており、商用利用とセルフホスティングが可能です。Whisperのチェックポイントごとにライセンスが異なる場合があるため、利用前に必ずカードを確認してください。
whisper-1と同じものですか？
いいえ。Whisper-1はOpenAIのマネージドAPIモデルですが、large-v3はダウンロード用に公開されたオープンチェックポイントです。同じWhisperファミリーですが、提供形態は異なります。
Whisper large-v3 の料金はいくらですか？
TokenLab では Whisper large-v3 は $0.0000308 1秒あたり です。詳細は上の料金表を参照してください。 料金は課金単位・仕様・使用量によって異なります。モデルの詳細な料金で同条件同士を比較してください。単一のレートで総額は決まりません。
Whisper large-v3 はどのエンドポイントを使うべきですか？
Whisper large-v3 のデフォルトは https://api.tokenlab.sh/v1/audio/transcriptions です。プロバイダーネイティブ形式に対応している場合は、API workbench にそのエンドポイントも表示されます。
Whisper large-v3 はどの操作に対応していますか？
Whisper large-v3 は 音声からテキストへ に対応しています。上の API workbench で操作を選ぶと、対応するエンドポイントとコード例が表示されます。
Whisper large-v3 を比較する
ソース
2026/10/02 時点での評価
