OpenAI Whisper API は、多くのチームが最初に使うものです。エンドポイントが 1 つ、料金も 1 つで、数十の言語に対応しています。Whisper API の代替を探すのは、次の 4 つのどれかが起きたときです。自分の音声で精度が足りない、利用量とともに請求が膨らむ、セキュリティチームが保持するデータを減らしたがっている、あるいは呼び出しているモデルが廃止される。この記事では、判断の仕方と、コードを書き直さずに代替をテストする方法を紹介します。
OpenAI Whisper API は廃止されるのか?
はい、OpenAI の現在のスケジュールではそうなっています。2026-11-15 に確認した非推奨ページでは、whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize が非推奨とされ、2026 年 8 月 26 日に告知、2027 年 2 月 26 日に提供終了となっています。推奨される後継は、ファイル向けが gpt-transcribe(1 分 USD 0.0045、1 時間 USD 0.27)、ライブ音声向けが gpt-live-transcribe です。料金ページでも同じ 4 つのモデルが非推奨とされ、音声認識ガイドには “Start with gpt-transcribe”(訳:gpt-transcribe から始めてください)とあります。/v1/audio/translations エンドポイントも非推奨です。つまり、どちらにしても新しいモデルで自分の音声を再テストすることになります。今こそ、同じ音声で OpenAI の後継と他社のプロバイダーを比べる好機です。
全体像を知りたい場合は、オープンな音声認識 API 価格指数で、20 以上の製品のバッチとストリーミングの料金、課金単位、アラビア語対応を一覧にしています。各値はプロバイダー自身の料金ページで確認済みです(CSV と JSON)。
Whisper API の代替を探す理由は?
| 理由 | 代替サービスで確認すること |
|---|---|
| 特定の言語や方言での精度 | 関連するテストセットで公表されている単語誤り率、そのあと自分でのテスト |
| 大量利用時の料金 | 音声 1 時間あたりの料金と最低課金単位 |
| データ保持 | 音声と文字起こしを保存するか、どれくらいの期間か |
| 制限 | ファイルサイズ、形式、レート制限 |
| 機能 | タイムスタンプ、話者分離、プロンプト、ストリーミング |
OpenAI の音声認識ガイドには “Whisper supports 98 languages, but accuracy varies by language”(訳:Whisper は 98 言語に対応していますが、精度は言語によって異なります)と書かれています。これが正直な出発点です。対応言語の一覧からわかるのは「できること」であって、「うまくできること」ではありません。
Whisper API の代替にはどんなものがあり、いくらかかるか?
| 選択肢 | 料金(定価、2026 年 11 月) | 言語 | 備考 |
|---|---|---|---|
OpenAI Whisper API(whisper-1) |
USD 0.006/分 | 98(精度は言語により異なる) | ファイル 25 MB。プロンプトは最大 224 トークン。2027-02-26 に提供終了 |
OpenAI gpt-transcribe |
USD 0.0045/分(USD 0.27/時間) | OpenAI のガイドを参照 | OpenAI 推奨の後継。OpenAI のガイドでは、単語タイムスタンプは whisper-1 でのみ、話者ラベルは非推奨の diarize モデルでのみ示されている |
| Groq、Whisper Large v3 | USD 0.111/時間 | 多言語 | Groq の公表 WER は 10.3%。最低 10 秒課金 |
| Groq、Whisper Large v3 Turbo | USD 0.04/時間 | 多言語 | Groq の公表 WER は 12%。翻訳向けには学習されていない |
| Soniox(非同期) | 約 USD 0.10/時間、トークン単位で課金 | 60 以上、アラビア語あり | 独自のジョブ型 API で OpenAI 非互換。リアルタイムは約 USD 0.12/時間 |
| Whisper のセルフホスト | 自前の GPU コスト | Whisper と同じ | MIT ライセンス。運用とスケールは自分で行う |
| BroadNet Transcribe | $0.002/分 | 14 | Whisper ではない。Cohere Transcribe がベース |
| BroadNet Transcribe Arabic | $0.0042/分 | アラビア語 | BroadNet によると Open Universal Arabic ASR Leaderboard で 37 件中 2 位 (2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位) |
料金と Groq の数値は 2026-11-14 に公式ページで確認し、OpenAI の数値は 2026-11-15 に再確認しました。OpenAI の gpt-transcribe は、1 時間あたりで BroadNet の 2 モデルのどちらよりも高額です。Groq の Turbo エンドポイントと Soniox は、どちらも 1 時間あたりで BroadNet Transcribe(1 時間 $0.12)より安価です。Soniox は OpenAI のリクエスト形式を使わないため、新しいクライアントコードが必要です。Groq の WER は同社が公表している数値で、他のモデルと共通のテストセットで測ったものではないため、BroadNet の数値と直接比べないでください。この記事は乗り換えについてです。DeepSeek、AssemblyAI、Deepgram、Google、AWS、Speechmatics を含む完全な料金表とオプション料金は音声認識 API の料金比較を参照してください。音声認識コスト計算ツールでは、自分の月間時間数で料金を計算できます。
精度の数字は実際に何を意味するのか?
BroadNet はモデルカタログで、BroadNet Transcribe Arabic の WER を 3 つ公表しています。
| テストセット | 音声の種類 | WER |
|---|---|---|
| FLEURS-ar | きれいな読み上げ文 | 3.8 |
| MASC-ar | 実環境の混在したアラビア語 | 21.1 |
| BroadNet 方言セット | 方言の発話 | 23.4 |
同じ MASC と方言のセットで、BroadNet は Whisper large-v3 を 31.5 と 31.8、自社のアラビア語モデルを 21.1 と 23.4 と報告しています。誤りは MASC でおよそ 3 分の 1、方言のセットでおよそ 4 分の 1 少ないことになります。これは BroadNet 自身による競合のテストなので、自分の音声で確かめてください。全エントリーに同じテストセットを使う公開の Open Universal Arabic ASR Leaderboard では、2026 年 11 月 15 日時点で Whisper large-v3 が 39 中 19 位(平均 WER 36.86)、BroadNet が提供するモデルである Cohere Transcribe Arabic 07-2026 が 4 位(24.19)でした。
教訓はこの幅にあります。同じモデルが、読み上げ音声ではほぼ完璧なのに、会話では大きく精度が落ちます。どのプロバイダーの看板の WER も、他人の音声での結果にすぎません。方言についてはアラビア語方言の音声認識で詳しく扱っています。
Whisper の代替を半日でテストする方法
- **言語ごとに 30〜50 本の音声を集めます。**通話、ボイスメモ、会議など、実際のトラフィックから取ります。共有できない内容は除いてください。
- 言語ごとに 10 本分の正解の文字起こしを手で書きます。
- **同じ音声で両方の API を実行します。**OpenAI 互換のプロバイダーなら、変わるのはクライアントとモデルだけです。
import os
from openai import OpenAI
whisper = OpenAI() # uses OPENAI_API_KEY
broadnet = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def run(client, model, path, lang):
with open(path, "rb") as f:
return client.audio.transcriptions.create(model=model, file=f, language=lang).text
hyp_a = run(whisper, "whisper-1", "clip01.wav", "ar") # also try "gpt-transcribe", OpenAI's replacement
hyp_b = run(broadnet, "broadnet/cohere-transcribe-arabic", "clip01.wav", "ar")
- 両方に同じ正規化を適用して採点します。jiwer を使います。
import re, jiwer
def norm(t):
t = re.sub(r"[ً-ْ]", "", t) # strip Arabic diacritics
t = re.sub(r"[إأآ]", "ا", t).replace("ى", "ي") # unify alef and yaa
return re.sub(r"[^\w\s]", "", t).lower().strip()
print(jiwer.wer(norm(reference), norm(hyp_a)), jiwer.wer(norm(reference), norm(hyp_b)))
- **文字起こしを 20 本、自分で読みます。**数字、名前、製品用語を確認してください。WER で勝っても、口座番号を間違えるモデルはあります。
代わりに Whisper をセルフホストすべきなのはいつか?
Whisper のコードと重みは MIT ライセンスなので、自分で動かすことはいつでも選択肢になります。次のような場合には理にかなっています。
- 音声をネットワークの外に出せない、法律上または契約上の理由がある。
- 利用量が多く、GPU が 1 日の大半稼働するので、遊んでいる時間に払わずに済む。
- 自社の語彙やアクセントでファインチューニングが必要。
トラフィックの波が大きい場合、複数台にまたがる高可用性が必要な場合、チームの誰も GPU ドライバーやアップグレードを担当したがらない場合には、見た目以上にコストがかかります(GPU の損益分岐点の計算)。openai/whisper の README には、turbo モデルは翻訳向けに学習されていないとも書かれています。ホスト型 API はこうした問題を 1 分あたりの料金に変えてくれます。だからこそ多くのチームはホスト型から始め、利用量と要件がはっきりしてからセルフホストに移ります。
移行チェックリスト
ベース URL の変更は簡単な部分です。トラフィックを切り替える前に、次を確認してください。
- **形式。**OpenAI は flac、mp3、mp4、m4a、ogg、wav、webm を受け付けます。BroadNet は WAV と MP3 を受け付けるので、
.oggと.m4aは先に ffmpeg で変換してください。ブラウザでの録音についてはブラウザで録音して音声認識 API に送る方法を参照してください。 - **ファイルサイズ。**OpenAI のアップロード上限は 25 MB、BroadNet は 26,214,400 バイト(25 MiB)です。
- **言語フィールド。**必ず送ってください。BroadNet では、
language=arなしのアラビア語はラテン文字で返ってくることがあります。 - オプションのパラメーター。
prompt、verbose_json、単語タイムスタンプに依存しているなら、代替サービスが対応しているか確認してください。BroadNet のドキュメントに記載されているのは、textを含む JSON レスポンスです。 - **レート制限。**BroadNet の従量課金キーは毎分 30 リクエスト、同時 4 リクエストまでです。
このリストの汎用版は OpenAI 互換 API 移行チェックリストにあります。
BroadNet Transcribe が向いているケース
アラビア語の精度が重要な場合、音声と文字起こしを保持させたくない場合(ゼロデータ保持)、あるいは 14 言語で 1 分 $0.002 が今の請求より安い場合は、BroadNet を選んでください。$5 の初回クレジットでアラビア語音声を約 1,190 分処理でき、上のテストを実行するには十分です。BroadNet Inference でキーを取得してください。アラビア語音声認識ガイドに curl と Python の例があります。
BroadNet が対応していない多くの言語のいずれか、音声翻訳、ライブ文字起こし、あるいはプロンプトやキーワードヒント(OpenAI のガイドでは gpt-transcribe 向けに記載)が必要なら、OpenAI の後継モデルか別のプロバイダーを使い続けてください。アラビア語の録音ファイルを英語に翻訳するなら、2 段階のパイプラインも使えます。アラビア語音声を英語に翻訳するを参照してください。英語を最安で処理するなら、ホスト型の Whisper Turbo エンドポイントのほうが 1 時間あたり安くなります。
