モデルの選び分けが先に来る
| モデル | 用途 |
|---|---|
gpt-transcribe | 録音した音声を原語のまま文字起こしする（推奨） |
gpt-4o-transcribe-diarize | 話者の識別とラベル付け |
whisper-1 | 翻訳、タイムスタンプ、字幕形式 |
timestamp_granularities[] は whisper-1 専用です。verbose_json と併用すると単語単位・セグメント単位の時刻が得られます。
字幕を作るならモデルが決まります。 後から「やっぱり字幕も」となると取り直しになるので、文字起こしを始める前に決めてください。
上限
対応形式は mp3 / mp4 / mpeg / mpga / m4a / wav / webm。
Files can be up to 25 MB.
超える場合は圧縮するか 25MB 以下に分割し、文の途中で切らない（avoiding mid-sentence splits to preserve context）よう案内されています。時間で等分すると切れ目の発話が両側で壊れるため、無音区間で切ることになります。
確認できていないこと
- SRT / VTT への出力が公式ドキュメント上で明示されているか確認できていない。時刻は得られるが、字幕ファイル形式そのものへの言及は見つけられなかった
- 話者分離とタイムスタンプを 1 モデルで両立できるかの記載が無い
- 日本語での精度