3行でいうと

  • 音声認識は、録音を「どの高さの音が、いつ鳴っているか」を示す絵（スペクトログラム）にして、文字を書き出します。
  • 音声合成は逆に、文章から絵を作り、ボコーダーという部品で音の波に戻す方式が代表的です。
  • OpenAIの文字起こしは、2026年10月8日時点の例で1分あたり$0.003〜$0.006です。
  • 認識には「話していない言葉が出る」弱点が公式のモデルカードにあり、重要な録音は聞き直すよう勧めています。

この記事は公式・一次資料を読んでまとめたものです。この記事は、実際に使って確かめた記録ではありません。

先に結論

たとえ話：耳で聞いて楽譜に書く人と、楽譜を見て演奏する人

音声認識は、演奏を聞いて楽譜を書く人です。耳で聞いたものを、まず「どの高さの音が、いつ出たか」の記録にして、その記録から言葉を書き出します。

音声合成は、その逆に、楽譜を見て演奏する人です。「この言葉をこう読む」という楽譜（周波数の絵）を先に作り、それを実際の音に変えて鳴らします。誰の声で鳴らすかは、演奏者の特徴を表す情報で決まります。

仕組みを、順番に

1. 音は、数字の列に変えられる

Hugging Faceの音声講座（公式）の説明によると、マイクは音を電気の信号に変え、それを一定の間隔で測って、数字の列にします。1秒に何回測るかが「サンプリングレート」です。

講座は、AIはサンプリングレートが違うと正しく動きにくいので、事前に同じ値に揃える（リサンプリング）ことも説明しています。

2. 数字の列を「周波数の絵」にする

数字の列のままだと、声の特徴が見えにくくなります。そこで、時間ごとに、どの高さの音がどれくらい強いかを示す絵に変えます。これがスペクトログラムです。Whisperは、人の聞こえ方に合わせた尺度（メル尺度）と、音の強さを対数にしたもの（デシベル）を使った「ログメルスペクトログラム」を使います。講座によると、Whisperの入力は、必ず30秒の長さにそろえられます。短い録音は後ろに無音を足し、長い録音は30秒で切ります。

3. 認識：絵から文字を書き出す

講座は、音声認識の方式を2つ紹介しています。

方式 仕組み 例
CTC 音の絵を、20ミリ秒ごとに区切り、1区切りにつき1文字を予想する。同じ文字が続いたら1つにまとめ、「空白」の印で区切る Wav2Vec2など
系列から系列へ（seq2seq） 前半（エンコーダー）が音の絵を読んで要約を作り、後半（デコーダー）が文章を1つずつ書く。文章のAIと似た作り Whisperなど

CTCは、音が近いだけで綴りの違う言葉を出すことがあり、補う別の部品が必要になりやすいと講座は書いています。seq2seqは、逐次に書くため遅くなり、同じ言葉を繰り返したり飛ばしたりすることがある、とも書かれています。

Whisperについて、OpenAIの発表（2022年9月21日）は、ウェブから集めた68万時間の音声と文字のデータで訓練したこと、そのうち約3分の1が英語以外であることを書いています。同じ発表は、アクセント、雑音、専門用語への強さが上がり、英語の認識では人間に近い頑健さと正確さになった、と述べています。論文（2022年12月、arXiv）も同じ68万時間を挙げています。

4. 合成：文章から絵を作り、音の波に戻す

Hugging Faceの講座の例では、SpeechT5というモデルが、文章を数字の並びにして、ログメルスペクトログラムを作ります。その絵は、そのままでは再生できません。そこで、ボコーダー（この例ではHiFi-GAN）という別の部品が、絵を音の波に変えます。出力のサンプリングレートは16キロヘルツです。

講座は、Barkのように、ボコーダーを使わず音の波を直接作るモデルもあると書いています。

誰の声で話すかは、「話者埋め込み」という、声の質（音色、アクセント、抑揚）をまとめた数字の並びで決まります。講座の例では512個の数字です。これを替えると、1つのモデルでいろいろな声が出せます。

5. 読み方の指示

最近のサービスは、話し方も文章で指示できます。OpenAIのgpt-4o-mini-ttsは、アクセント、感情の幅、抑揚、速さ、口調、ささやきを指示できる、と公式ドキュメントにあります。GoogleのGemini TTSは、感情や速さを指定する欄があり、「笑う」「ため息」「短い間」のような印を文章に挟めます。

いま公式に書かれている数字（2026年10月8日確認）

文字起こし（音声認識）

サービス 公式に書かれていること 料金
OpenAI gpt-transcribe 録音の文字起こしの推奨モデル。ファイルは25MBまで（mp3、wavなど）。単語ごとの時刻、字幕形式、英語への翻訳は、whisper-1を使う 1分あたり$0.0045（1時間で約$0.27）
OpenAI gpt-4o-transcribe 文字起こしモデルの一つ。指示文（プロンプト）で用語を補える 1分あたり約$0.006（見積もり）
OpenAI gpt-4o-mini-transcribe 同じく文字起こしモデルの一つ。指示文で用語を補える 1分あたり約$0.003（見積もり）
Google Gemini 3.5 Transcribe 言語の自動判定、話者の区別、単語ごとの時刻、用語の指定ができる 入力が1分あたり$0.003、出力が$0.002、合算で約$0.005

OpenAIは、25MBを超える録音は、圧縮するか、25MB以下に分けるよう案内しています。文の途中で分けると正確さが落ちる、とも書かれています。話者ごとの区別は、gpt-4o-transcribe-diarizeという別のモデルで行います。whisper-1は98の言語に対応し、正確さは言語で違う、とOpenAIは書いています。

Googleの音声理解のドキュメントによると、音声1秒は32トークンで、1分で1,920トークンです。1回の依頼に入れられる長さは最大9.5時間、1回の依頼の合計サイズは20MBまでで、それ以上はファイル用の窓口を使います。なお、Googleの料金ページは、音声を1秒あたり25トークンで数えると書いています（別の説明箇所で、数字が違います）。

音声合成

サービス 公式に書かれていること
OpenAI（gpt-4o-mini-tts、tts-1、tts-1-hd） 内蔵の声は13種類（ページ内に「11種類」という記述もあり、食い違い）。声は英語向けに最適化されている。書き出しは既定でMP3。
Google Gemini 3.8 Flash TTS 既製の声は30種類。130以上の言語。1回の依頼で最大2人の会話
Google Gemini 3.8 Flash-Lite TTS 100以上の言語。速さと費用を重視

OpenAIのgpt-4o-mini-ttsは、文字入力が100万トークンあたり$0.60、音声の出力が100万トークンあたり$12.00です。Googleの3.8 Flash TTSは、2026年末までは文字入力が$0.50、音声出力が$9.00で、2027年1月1日から$1.00と$18.00になる、と料金ページに書かれています。音声10秒あたりに直すと、Googleの表では$0.00225（2026年末まで）です（250トークン×$9÷100万で確かめました）。

自分の声や、他人の声を使う

OpenAIの独自の声は、承認された顧客だけが使えます。声の持ち主に決まった文を読んでもらった「同意の録音」が必要で、1つの組織で作れるのは20個まで、サンプルは30秒以内です。Googleの3.8系のモデルでは、声を設計または複製でき、1つのプロジェクトに最大200個まで保存できます。OpenAIの利用規則は、合成した声がAIのものであることを、利用者にはっきり知らせるよう求めています。

誤解されやすい点

「文字起こしの結果は、聞こえたとおり」ではない OpenAIが公開するWhisperのモデルカードは、音声に含まれていない文章が出ることがある（幻覚）、同じ文章を繰り返しやすい、言語ごとの出来にばらつきがあり、とくに強い結果が出るのは約10言語、と書いています。アクセントや方言でも差が出ます。

「長い録音も一度に読める」わけではない Whisperが一度に見るのは30秒です。長い録音は、30秒ずつずらして読むか、区切って並行して読む方法があり、区切る方法は速い代わりに少し正確さが落ちる、とモデルカードにあります。

「読み上げの声は、人間と区別できない」とまでは書かれていない 公式の資料は、感情や間まで指示できると書きますが、人間と見分けがつかないとは書いていません。AIの声であることの表示が求められている点は、上のとおりです。

気をつけること

出典

更新履歴