OpenAI: Whisper large-v3 Turbo
whisper-large-v3-turbo- 価格
- 価格 $0.000011
- モダリティ
- オーディオ
Whisper large-v3 Turbo について
Whisper large-v3 Turboは、Whisper large-v3の高速化バリアントです。デコーダーが32層から4層に削減され、パラメーター数が15.5億から約8.09億に減らされている点を除けば、同一のモデルです。モデルカードによると、わずかな品質低下と引き換えに推論が高速化されています。99言語をカバーしており、MITライセンスの下でリリースされています。
得意なこと
- デコーダー層が32層から4層になったことで、録音音声においてlarge-v3よりも顕著に高速化しています。
- 約8.09億のパラメーター数は、セルフホスト時のメモリフットプリントを小さく抑えることを意味します。
- large-v3の99言語対応を維持しているため、多言語ワークロードで別のモデルを使う必要はありません。
- MITライセンスの重みにより、幅広い商用利用と改変が可能です。
他のモデルを検討すべきケース
- モデルカードにはlarge-v3と比較してわずかな品質低下が指摘されているため、精度が重要な文字起こしにはフルモデルの使用が正当化される場合があります。
- これは文字起こし用のチェックポイントであり、話者分離やライブ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、独自の測定においてより低いエラー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-turbo" \ -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
- $0.0000111
- 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 | $0.0000111 | — | — |
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 Turboを開き、プロンプトを編集・送信できます。
whisper-large-v3-turbo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
高速バッチ文字起こし
精度のわずかな差よりも処理時間が重要な、大量の音声バックログの処理に適しています。
ニアライブパイプライン
ホストしているアプリでローリングキャプションを表示するために、短い音声チャンクを十分に高速に処理します。
コストを意識したセルフホスティング
フルサイズのlarge-v3よりも小さなGPUでモデルを実行できるため、ハードウェア予算に制限がある場合に役立ちます。
一次ドラフトの作成
ゼロから文字起こしする代わりに、人間の編集者が修正するための迅速な一次文字起こしを作成します。
プロンプト例
この200件の短いサポート通話のバッチをプレーンテキストで文字起こししてください。
このスペイン語のウェビナーを素早く文字起こししてください。ラフなドラフトで構いません。
この会議の録音を、校正可能なテキストに文字起こししてください。
FAQ
Whisper large-v3 Turboとは何ですか？
Whisper large-v3を剪定・微調整したバージョンで、デコーダーが32層ではなく4層になっています。約8.09億のパラメーターで高速かつ軽量ですが、わずかな品質低下を伴います。
large-v3より優れていますか？
より高速ですが、精度は高くありません。スループットが重要な場合はこれを使用し、最大の精度を求めており、処理速度の低下やメモリ消費量の増加を許容できる場合はwhisper-large-v3を使用してください。
何言語をサポートしていますか？
モデルカードには多言語音声認識として99言語が記載されており、より大きなチェックポイントと同じカバレッジであるため、高速なバリアントを選択しても言語サポートが失われることはありません。
Whisper large-v3 Turboにはどのライセンスが適用されますか？
Hugging FaceのモデルカードにはMITライセンスが記載されており、商用利用が許可されています。他のオープンなチェックポイントと同様に、再配布や製品開発を行う前に、カード上の最新のライセンス条文を確認してください。
話者をラベル付けしますか？
いいえ。話者ラベルのないプレーンな文字起こしを出力します。録音での話者特定にはgpt-4o-transcribe-diarizeを使用するか、独自のパイプラインで個別の話者分離ステップを実行してください。
Whisper large-v3 Turbo の料金はいくらですか？
TokenLab では Whisper large-v3 Turbo は $0.0000111 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 Turbo はどのエンドポイントを使うべきですか？
Whisper large-v3 Turbo 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 Turbo はどの操作に対応していますか？
Whisper large-v3 Turbo 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 Turbo を比較する
ソース
2026/10/02 時点での評価
