OpenAI Whisper API vs DolphinVoice API：エンタープライズ向け音声認識のコストと機能を徹底比較

音声認識が「モデル選び」から「プラットフォーム選び」に移ると、本番環境の体験を決めるのは WER だけではなく、Accuracy × Latency × Concurrency × Cost × Stability です。しかもリアルタイムストリーミングAPIの料金だけを見ても、OpenAI は DolphinVoice の 2.3 倍です。

はじめに：なぜ OpenAI API と DolphinVoice API を比較するのか

リアルタイム音声認識は、コールセンターの品質管理、会議の書き起こし、ライブ字幕、Voice Agent などを支える基盤になりつつあります。

音声をテキストに変換する必要があるとき、OpenAI の Whisper API（および gpt-4o-transcribe シリーズ）がデフォルトの選択になりがちです。OpenAI のブランド力と Whisper のオープンソースのエコシステムは広く浸透しています。OpenAI の代替を探している開発者の多くが抱える本当の疑問は、実はこうです。どちらもクラウド API であるなら、OpenAI の音声認識APIと、エンタープライズ向け音声認識SaaS はどこが違うのか。

音声認識が本番環境に入り、1日に数百・数千、場合によっては数万時間の商用利用が始まると、企業が直面する課題は「認識精度」だけではありません。

• リアルタイム性：通話中に API は即座にテキストを返せるか。リアルタイムストリーミングAPIの料金はどうか
• 企業向け機能：ホットワード、話者区別、ITN、句読点、フィラーワードフィルタリングなどがそのまま使えるか
• API 料金：1日に数千時間の音声を処理すると、API 費用はいくらかかるのか
• データの信頼性：認識結果が、音声に存在しない内容を「捏造」することはないか
• マルチテナント管理：顧客ごとにトラフィックと利用枠をどう分離するのか
• システム安定性：24時間365日、途切れず稼働できるか

DolphinVoice API は、エンタープライズ向け音声認識を SaaS サービスとして提供します。ASR SaaS 製品として、その技術的な選択はより大きなモデルを追うことではなく、実際の本番環境のために推論アーキテクチャをゼロから設計し直すことです。

認識品質とリアルタイム体験を担保しながら、API 料金を最低に抑える——リアルタイムストリーミングAPIは ¥72/時間。OpenAI のリアルタイムストリーミングAPI（gpt-realtime-whisper）は ¥163.2/時間です。

音声認識SaaSとは？ 音声認識SaaS（Speech Recognition SaaS）とは、音声からテキストへの変換をクラウドサービスとして提供するビジネスモデルです。顧客は API を呼び出すだけで音声認識を利用でき、GPU ハードウェアの購入も、モデルのデプロイも、運用チームの構築も不要です。Whisper などのオープンソースモデルの自前構築と異なり、音声認識SaaSはインフラ、開発、機能統合、セキュリティとコンプライアンスのコストを従量課金のサービスにまとめ、顧客は実際の利用量に対してのみ支払います。Playground でリアルタイム認識とオフライン書き起こしを直接試すか、クイック登録 から API 利用を今すぐ開始できます。

本記事では、技術アーキテクチャ、API 料金、企業向け機能の 3 つの観点から、OpenAI の音声認識APIと DolphinVoice API の違いを体系的に比較します。

TL;DR：結論の要点

料金比較： OpenAI のリアルタイムストリーミングAPI（gpt-realtime-whisper）は ¥163.2/時間。全込みの DolphinVoice リアルタイムAPI（¥72/時間）の 2.3 倍です。一括書き起こしでは、OpenAI gpt-4o-transcribe-diarize が ¥57.6/時間であるのに対し、DolphinVoice のオフラインは ¥36/時間——安価でありながら、企業向け機能はすべて含まれます。

全込み TCO： 1日 300 時間（約 100 席）の規模では、OpenAI のリアルタイムAPIが月額 ¥1,468,800、企業向け機能を補う隠れコストが ¥1,950,000、合計 月額 ¥3,418,800。一方 DolphinVoice API の全込み価格は 月額 ¥648,000 です。DolphinVoice は 81.0% を節約し、3 年間で ¥99,748,800 の差になります。

技術的違い： DolphinVoice は End-to-End Transformer アーキテクチャと CPU 推論を採用し、ストリーミング、ゼロ幻覚、ホットワード、話者区別をネイティブにサポートします。OpenAI の Whisper シリーズは大規模モデルを基盤とし、リアルタイムストリーミングAPIには幻覚リスクがあり、ホットワード、ITN、マルチテナントなどの企業向け機能は利用できません。

ひとことの結論： リアルタイムストリーミング認識と企業向け機能（ホットワード／話者区別／ITN／マルチテナント）が必要な業務では、DolphinVoice API は価格と機能の両面で OpenAI の音声認識APIを上回ります。

第1部：技術アーキテクチャ比較——非大規模モデル vs 大規模モデル

1.1 ASR 向けに設計された End-to-End Transformer

Transformer は音声認識分野の主流技術になっています。DolphinVoice は ASR タスク向けに最適化した End-to-End Transformer アーキテクチャを採用し、計算資源を可能な限り「音声の認識」そのものに注ぎ込みます。

典型的な音声認識のパイプライン:

Audio → Feature Extraction → Encoder → Acoustic Representation → Decoder → Text

DolphinVoice のアーキテクチャ設計の目標は明確です。

モデルの計算能力を「言脈によるオープンなテキスト生成」ではなく「音声信号からテキストへの正確な写像」に使わせる。

これは OpenAI のモデルアーキテクチャとは根本的に設計思想が異なります。OpenAI の Whisper（whisper-1）は Encoder-Decoder アーキテクチャを採用し、その Decoder は強いテキスト生成能力を持ちます。これは多言語対応の強みをもたらす一方で、「幻覚」リスクも招きます（1.2 節参照）。OpenAI が 2025 年に発表した gpt-4o-transcribe は幻覚率を下げました（公式に約 90% 減と説明）が、依然として大規模モデルを基盤としており、幻覚を根本からは解消していません。

DolphinVoice と OpenAI Whisper、gpt-4o-transcribe のアーキテクチャ比較

1.2 DolphinVoice がなぜ幻覚を生成しないのか——非大規模モデルアーキテクチャの設計選択

これが、DolphinVoice と大規模モデルベースの ASR システムとの最も本質的な違いです。

汎用生成モデル（OpenAI の whisper-1 と gpt-4o-transcribe を含む）の学習目標には「文脈から尤もらしいテキストを生成する」ことが含まれます。一方、音声認識システムの目標は次であるべきです。

ユーザーが発話した内容を、可能な限り正確にそのまま再現する。

OpenAI は Whisper の公式ドキュメントで次のように明記しています。

"The predictions may include texts that are not actually spoken in the audio input (i.e. hallucination). We hypothesize that this happens because, given their general knowledge of language, the models combine trying to predict the next word in audio with trying to transcribe the audio itself."

（モデルの予測には、音声に入力されて実際には発話されていないテキストが含まれる可能性があります（いわゆる「幻覚」）。私たちの推測では、言語に関する一般的な知識を持つモデルが「音声中の次の単語を予測すること」と「音声そのものを書き起こすこと」を同時に試みるために起こると考えられます。）

OpenAI は 2025 年の gpt-4o-transcribe 発表時に幻覚を約 90% 減らしたと説明しましたが、これは約 10% の残余リスクが残ることを意味します。コールセンター、医療記録、法的アーカイブといった場面では、「90% 減」と「ゼロ幻覚」の間には質的な違いがあります。

学術研究は Whisper の幻覚問題の深刻さを示しています。

コールセンター、医療記録、法的アーカイブでは、捏造されたテキストは誤字よりはるかに破壊的です。次のような結果を招きかねません。

• コンプライアンス審査での誤った記録
• CRM システム上の虚偽の顧客情報
• 品質管理分析での誤判定
• 法的紛争での誤った証拠

DolphinVoice は非大規模モデルアーキテクチャにより、設計段階から幻覚を排除しています。 DolphinVoice のモデルは音声信号からテキストへの正確な写像に特化しており、「言語分布に基づいてテキストを生成する」機構を持たないため、音声に存在しない内容を出力することがありません。

ゼロ幻覚ASRとは？ ゼロ幻覚ASR（Zero-Hallucination ASR）とは、書き起こしの過程で音声に実際に存在しない内容を生成しない音声認識システムです。この特性は非大規模モデルアーキテクチャによって実現されます。モデルの推論は「言語の確率分布からのテキスト生成」ではなく「音声信号からテキストへの決定的な写像」のみを行うため、幻覚リスクを根本から排除できます。コールセンター、医療記録、法的アーカイブなど、内容の信頼性が厳しく問われる場面では、ゼロ幻覚ASRは譲れない最低ラインの能力です。

企業の音声データ——製品型番、電話番号、注文番号、金額、専門用語——に必要なのは、モデルが「尤もらしい答えを生成する」ことではなく、「発話された内容をそのまま正確に認識する」ことです。

1.3 DolphinVoice の API 料金が低い理由——CPU 推論アーキテクチャのコスト優位

DolphinVoice は CPU 推論向けに徹底的に最適化されています。標準的なサーバー環境では以下の通りです。

CPU 推論アーキテクチャにより、DolphinVoice は高価な GPU インスタンスの購入もリースも不要で、インフラコストは GPU 構成を大きく下回ります。このコスト優位が API 料金にそのまま反映されています。

OpenAI の料金出典：OpenAI 公式料金ページおよびサードパーティ料金データベース（costgoat.com、aiwiki.ai）、2026 年 8 月時点で確認。為替レート：1 USD ≈ 160 JPY。gpt-realtime-whisper: $0.017/min = $1.02/hour ≈ ¥163.2/hour、gpt-4o-transcribe: $0.006/min = $0.36/hour ≈ ¥57.6/hour。DolphinVoice の料金は dolphinvoice.ai 公式価格に基づきます。リアルタイム標準 ¥72/時間、オフライン標準 ¥36/時間で、段階制料金（利用量が多いほど単価が下がる）を採用しています。

DolphinVoice API を選ぶ顧客にとって、CPU 推論アーキテクチャは次を意味します。

1. API コストが低い——リアルタイムストリーミングAPIの料金は OpenAI の 44%（¥72 vs ¥163.2/時間）
2. サービスがより信頼できる——CPU インスタンスは調達が容易で弾力的に拡張でき、GPU サプライチェーンの変動の影響を受けない
3. 運用負担なし——GPU ドライバー、CUDA バージョン、VRAM の OOM、ノードヘルスチェックを管理する必要がない
4. 従量課金——実際の利用量に対してのみ支払う。リアルタイム ¥72/時間、オフライン ¥36/時間

第2部：API 料金と実コストの比較

OpenAI と DolphinVoice はどちらもクラウド API 形式の音声認識サービスを提供しますが、料金モデルと機能範囲は大きく異なります。この分析が示すのは、リアルタイムストリーミングAPIの料金だけでも、OpenAI は DolphinVoice の 2.3 倍だということです。しかも DolphinVoice の ¥72/時間にはホットワード、話者区別、ITN、マルチテナントなどすべての企業向け機能が含まれ、OpenAI の API は追加開発で補う必要があります。

本記事の比較方法：DolphinVoice 列は顧客が実際に支払う SaaS API 費用（音声 1 時間あたり ¥72、全込み、すべての企業向け機能を含む）を示します。OpenAI 列は OpenAI API を呼び出すための API 費用のみで、総コストの一部に過ぎません。ホットワード、リアルタイム話者区別、ITN、マルチテナントなどの企業向け機能の開発コストは含まれていません（2.5 節参照）。

次の観点で体系的に比較します。

API 料金 × リアルタイムストリーミング vs 一括 × 企業向け機能の補完コスト

2.1 OpenAI 音声認識APIの料金体系

OpenAI は現在、複数の音声書き起こしAPIモデルを提供しており、料金は大きく異なります。

DolphinVoice API の料金：

DolphinVoice のリアルタイム音声認識は標準料金 ¥72/時間、オフライン音声認識は ¥36/時間。いずれも全込み価格で、ストリーミング、話者区別、ホットワード、ITN／スマート句読点／フィラーワードフィルタリング／LLMスムージング／センシティブワード／強制置換／単語情報、マルチテナント管理、運用とセキュリティコンプライアンスを含みます。段階制料金で、利用量が多いほど単価が下がります。完全な料金体系は DolphinVoice API 料金ガイド をご覧ください。

OpenAI 料金出典：OpenAI 公式料金ページおよびサードパーティ料金データベース（costgoat.com、aiwiki.ai、nativeai.agency）、2026 年 8 月時点で確認。為替レート：1 USD ≈ 160 JPY。OpenAI API は入力音声時間（発話時間ではなく）で課金し、1 リクエストのファイルサイズは 25 MB（約 30 分の音声）に制限されるため、長い音声は分割が必要です。

2.2 リアルタイムストリーミングAPI料金の比較——OpenAI は DolphinVoice の 2.3 倍

コールセンターなどリアルタイムの場面では、API は低遅延のストリーミング出力に対応していなければなりません。

重要な発見： OpenAI のリアルタイムストリーミングAPIは、料金が DolphinVoice の 2.3 倍であることに加え、提供されるのは書き起こしのみです。DolphinVoice の ¥72/時間にはすべての企業向け機能が含まれる一方、OpenAI では顧客自身が開発して補う必要があります。

2.3 一括書き起こしAPI料金の比較——DolphinVoice はより安く機能も充実

オフラインの一括書き起こしでは、話者区別付きの OpenAI gpt-4o-transcribe-diarize を比較対象に選びます。このモデルは ¥57.6/時間の料金で話者区別を含みます（標準版と同価、追加料金なし）。それでも DolphinVoice のオフライン音声認識はわずか ¥36/時間。安いだけでなく、すべての企業向け機能を含みます。

結論： 一括書き起こしでは、DolphinVoice は料金が低い（¥36 vs ¥57.6/時間、月額 ¥194,400 の節約）だけでなく、7 つのテキスト後処理＋ホットワード＋マルチテナント＋リアルタイム話者区別＋ゼロ幻覚を上乗せで提供します。さらに OpenAI API は 1 リクエスト 25 MB（約 30 分）の制限があり、長い音声は分割して複数回リクエストし結果を結合する必要があり、実装の複雑さが大きく増します。DolphinVoice は 1 回で最長 6 時間の音声を処理でき、それ以上も個別に拡張可能。分割、並行管理、結果結合という一連の開発コストを丸ごと省けます。

2.4 シナリオ：1日 300 時間（約 100 席）

業務パラメータ:

• 1日の音声量：300 時間
• 稼働時間：08:00～20:00（1日 12 時間）
• 平均リアルタイム同時接続：300 ÷ 12 = 25 チャネル
• 月間音声量：300 × 30 = 9,000 時間

リアルタイムストリーミングAPIの月額費用比較:

結論： リアルタイムストリーミングの場面では、OpenAI の API 費用は DolphinVoice の 2.3 倍（¥1,468,800 vs ¥648,000）です。しかも DolphinVoice の費用にはすべての企業向け機能が含まれています。

2.5 企業向け機能を補う隠れコスト——API 利用料金だけではない

OpenAI の API が提供するのは音声書き起こしのみで、以下の企業向け機能は顧客自身が開発する必要があります。DolphinVoice API にはそのすべてが最初から含まれています。

隠れコストの試算（100 席規模／300h/日、リアルタイムストリーミング前提）:

日本市場の人件費（社会保険・福利厚生を含む）に基づく試算です。ML エンジニア ¥700,000～900,000/月、バックエンドエンジニア ¥600,000～800,000/月、DevOps ¥500,000～700,000/月を参考に、機能モジュールごとの担当割合で按分しています。利用量が増えるとチーム規模も拡大が必要になり、隠れコストも連動して増加します。注：OpenAI の gpt-realtime-whisper はリアルタイムストリーミング機能をすでに提供しており、追加のストリーミング開発は不要です。

2.6 全込み TCO の比較

OpenAI API＋隠れコスト vs DolphinVoice API 全込み:

年次と 3 年の TCO:

OpenAI と DolphinVoice の全込み TCO 比較

結論： 100 席規模では、OpenAI のリアルタイムAPIを選ぶと 3 年間の総コストは ¥123,076,800。DolphinVoice API を利用する 3 年間の費用は ¥23,328,000 で、OpenAI を選ぶと 3 年で ¥99,748,800 多く支出することになります。うち API 費用が総コストの 43% を占め、残りの 57% はリアルタイム話者区別、ホットワード、テキスト後処理、マルチテナント、運用などの隠れコストです。

ひとことまとめ：OpenAI のリアルタイムストリーミングAPIは、本体料金の時点ですでに DolphinVoice の 2.3 倍（¥163.2 vs ¥72/時間）です。さらにホットワード、話者区別、ITN／スマート句読点／フィラーワードフィルタリング／LLMスムージング／センシティブワード／強制置換／単語情報、マルチテナントといった企業向け機能を補うと、OpenAI の総コストは DolphinVoice の 5.3 倍になります。DolphinVoice API なら、1 つのキーでこれらすべてを利用でき、従量課金で、大量利用にはボリュームディスカウントもあります。

第3部：エンタープライズ向け機能の比較

モデルが決めるのは認識能力ですが、企業が実際に使えるかどうかを決めるのは完全なプラットフォームです。ASR が本番環境に入ると、顧客に必要なのは Speech → Text だけではなく、企業向け機能の総体です。これこそ OpenAI API ではなく DolphinVoice API を選ぶ核心的な価値です。以下の機能はすべて内蔵で、導入してすぐ使えます。

OpenAI Whisper API と DolphinVoice API の企業向け機能マトリクス

3.1 ホットワードと専門用語

企業の音声には、汎用モデルが安定して認識しづらい内容が数多く含まれます。社名、製品名、ブランド、人名、専門用語、製品型番、業界用語です。

DolphinVoice はホットワード機能をネイティブにサポートします:

一般的な ASR → 汎用認識結果 → 「ご注文番号は D F 3 8 0 2 ですか」

DolphinVoice + ホットワード → 語彙最適化 → 「ご注文番号は DF-3802 ですか」

企業は自社の業務に合わせた語彙表を構築でき、ASR に自社の業務言語をより良く理解させられます。

OpenAI API の限界： OpenAI の Whisper API と gpt-4o-transcribe はいずれもカスタム語彙の注入に対応していません。オプションの prompt パラメータで表記の傾向に影響を与えることはできますが、これは真のホットワード機能ではありません。特定の用語や製品名の認識精度は保証できません。OpenAI API の上でホットワード相当の効果を得るには、後処理による訂正システムを自社で構築する必要があり、実装の複雑さが増します。

3.2 話者区別（Speaker Diarization）

会議、コールセンター、インタビューなど多者の対話では、話者区別が中核機能です。

[Agent]   こんにちは、どのようなご用件でしょうか。
[Customer] 注文についてお聞きしたいのですが。
[Agent]   かしこまりました。ご注文番号をお願いします。

DolphinVoice は話者を自動で区別でき、コールセンターの場面では Customer／Agent の役割をさらに分離できます。書き起こし結果が読みやすくなるだけでなく、コールセンター品質管理、CRM 統合、AI サマリー、コンプライアンス審査、会話分析に構造化データを提供します。

OpenAI API の限界： OpenAI は 2025 年末に gpt-4o-transcribe-diarize を発表し、一括での話者区別（同じ ¥57.6/時間、追加料金なし）に対応しました。しかしこの機能は一括モード限定で、リアルタイムストリーミングには非対応です。通話中にオペレーターと顧客をリアルタイムで区別する必要があるコールセンターでは、引き続き pyannote.audio などの独立システムを統合しなければなりません。

3.3 マルチテナントのトラフィック管理

SaaS プラットフォームにとって、ASR は単なるモデル API ではありません。エンタープライズ向け音声認識プラットフォームは、顧客間のリソース管理を解決しなければなりません。

Tenant A ─┐
          │
Tenant B ─┼──→ API Gateway → Traffic Management → ASR Cluster
          │
Tenant C ─┘

DolphinVoice はテナントを中心とした完全な管理機能を提供します。

DolphinVoice が対象とするのは、単なる ASR モデルではなく、SaaS グレードの企業本番環境です。

OpenAI API の限界： OpenAI の API は汎用のモデル呼び出しインターフェースであり、マルチテナント管理は提供されません。企業は API Gateway、マルチテナント管理、計量課金などすべてのプラットフォーム機能を自社開発する必要があり、その工数は API 呼び出しそのものをはるかに上回ります。DolphinVoice API なら、これらはすべてプラットフォーム側で実装済みで、顧客は自社のテナント設定と API キーを管理するだけです。API の連携方法とパラメータの詳細は開発者ドキュメントをご覧ください。

3.4 テキストのインテリジェント後処理

ASR モデルがそのまま出力する生テキストは、業務にそのまま使えることはまれです。DolphinVoice プラットフォームは、認識結果の上に完全なテキスト後処理機能群を内蔵し、出力をすぐに使える状態にします。

ITN（逆テキスト正規化）とは？ ITN（Inverse Text Normalization）は音声認識後処理の中核ステップで、話し言葉の数値・日付・金額などを書き言葉の形式に自動変換します（例：「三点五キロ」→「3.5kg」、「百二十三」→「123」、「二〇二六年八月」→「2026年8月」）。ITN により書き起こし結果はデータ保管、レポート分析、構造化保存にそのまま使え、エンタープライズ向け音声認識APIに不可欠な機能です。

認識結果 → ITN → スマート句読点 → フィラーワードフィルタリング → センシティブワード検出 → 強制置換 → 最終出力
                                    ↘ LLMスムージング（任意）

上記の後処理機能はいずれも API パラメータで柔軟に切替でき、業務シナリオに応じて必要なものだけを有効にできます。

OpenAI API の限界： OpenAI の API が出力するのは生の認識テキストのみです（whisper-1 には基礎的な句読点、gpt-4o-transcribe はやや改善）。ITN、フィラーワードフィルタリング、LLMスムージング、センシティブワード、強制置換などの後処理機能は一切提供されません。単語レベルのタイムスタンプは whisper-1 の verbose_json 形式のみが対応し、gpt-4o シリーズは非対応です。企業はテキスト処理パイプラインを自社開発する必要があり、工数と保守コストが大幅に増します。

3.5 リアルタイムとオフラインを統一するプラットフォーム

企業には通常、両方のニーズが同時に存在します。DolphinVoice は音声からテキストへの変換を行う統一 API プラットフォームとして、リアルタイムとオフラインの能力を同じサービス体系にまとめています。

リアルタイム書き起こし（WebSocket Streaming）:

WebSocket → Streaming ASR → Partial Result → Final Result

適した場面：コールセンター／Voice Agent／ライブ字幕／会議／オンラインカスタマーサポート

オフライン認識（Batch Processing）:

Audio File → Batch Processing → ASR → Speaker Diarization → Structured Transcript

適した場面：一括書き起こし／会議アーカイブ／コールセンター品質管理／データ分析／過去音声の処理

上記のリアルタイム・オフライン機能は、どちらも Playground で直接体験できます。DolphinVoice はリアルタイム ¥72/時間、オフライン ¥36/時間。OpenAI のリアルタイムAPI（gpt-realtime-whisper ¥163.2/時間）も一括API（gpt-4o-transcribe-diarize ¥57.6/時間、話者区別込み）も、料金はいずれも DolphinVoice を上回ります。

第4部：実際の本番環境での検証

DolphinVoice プラットフォームは実験室の製品ではありません。実際の商用環境で継続稼働し、1日に数万時間の音声処理を支えています。このデータが検証するのは技術能力だけでなく、SaaS サービスとしての DolphinVoice の安定性と信頼性です。顧客がつなぐ API の先には、大規模な商用運用で検証済みの本番システムがあります。

音声認識の処理量

15,000 時間／日

コールセンターのリアルタイム認識、会議の書き起こし、Voice Agent との対話などをカバーします。

発音評価の処理量

100,000 回／日

語学学習とスピーキング評価の場面での発音品質評価です。

DolphinVoice の大規模本番環境での検証データ

この実際の生産データは、次の観点での DolphinVoice の実力を検証しています。

FAQ：よくある質問

OpenAI の API でリアルタイム音声認識はできますか？

できますが、料金は高くなります。OpenAI はリアルタイムストリーミング書き起こしに対応する gpt-realtime-whisper を提供しており、料金は $0.017/分（≈¥163.2/時間）です。DolphinVoice API もリアルタイムストリーミング認識（WebSocket Streaming、初回応答約 1 秒）に対応しており、料金は ¥72/時間——OpenAI の 44% に過ぎません。さらに OpenAI のリアルタイムAPIはホットワードやリアルタイム話者区別などの企業向け機能に対応しておらず、DolphinVoice にはすべて内蔵されています。

OpenAI API と DolphinVoice API はどちらが安いですか？

利用場面によります。リアルタイムストリーミングでは、DolphinVoice（¥72/時間）は OpenAI（¥163.2/時間）より 55.9% 安いです。一括書き起こしでは、DolphinVoice（¥36/時間）は話者区別込みの OpenAI gpt-4o-transcribe-diarize（¥57.6/時間）より 37.5% 安く、さらにホットワード、ITN、マルチテナントなど 7 つの企業向け機能＋リアルタイム話者区別＋ゼロ幻覚を上乗せで提供します。これらを補う隠れコストは月額約 ¥1,950,000 で、全込み TCO は DolphinVoice の 5.3 倍になります。

OpenAI の Whisper API は幻覚を生成しますか？

生成します。OpenAI は Whisper の公式ドキュメントで、モデルの予測に音声で実際には発話されていない内容（いわゆる「幻覚」）が含まれ得ると明記しています。学術研究（Koenecke et al., 2024）では、約 1% の書き起こしに完全に捏造された語句や文が含まれることが報告されています。2025 年発表の gpt-4o-transcribe は幻覚を約 90% 減らしたと説明していますが、約 10% の残余リスクは残ります。DolphinVoice は非大規模モデルアーキテクチャでテキスト生成機構を持たず、設計段階から幻覚を排除しています。

DolphinVoice API と OpenAI API の違いは何ですか？

音声認識APIはどう選べばよいですか？

以下のいずれかが必要な場合は、DolphinVoice API を直接お勧めします:

• リアルタイムストリーミング認識（低遅延のストリーミングで、料金も低い）
• ゼロ幻覚（内容を捏造しない）
• ホットワード、リアルタイム話者区別、ITN などの企業向けテキスト後処理
• マルチテナント管理と計量課金
• 1 リクエストで最長 6 時間の音声（OpenAI は 30 分のみで、分割と結合が自分で必要）
• リアルタイムとオフラインの統一 API（リアルタイム ¥72/時間、オフライン ¥36/時間）
• 24時間365日の安定稼働とセキュリティコンプライアンス

OpenAI API が適するのは: 一括書き起こしだけで足り、企業向け機能が不要で、幻覚リスクを受け入れられる場合に限られます。それでも、gpt-4o-transcribe は単語レベルのタイムスタンプに非対応で、gpt-4o-mini-transcribe は精度がやや低い点に注意が必要です。

DolphinVoice API の料金はいくらですか？

DolphinVoice API のリアルタイム音声認識は標準料金 ¥72/時間（音声）（全込み）、オフライン音声認識は ¥36/時間（音声）（全込み）です。いずれもストリーミング、話者区別、ホットワード、テキスト後処理（ITN／スマート句読点／フィラーワードフィルタリング／LLMスムージング／センシティブワード／強制置換／単語情報）、マルチテナント管理、運用とセキュリティコンプライアンス（AICPA SOC 2 Type I＋ISO 27001＋APPI 準拠＋SSL 暗号化通信）を含みます。段階制料金で、利用量が多いほど単価が下がります。完全な料金情報は API 料金ガイド をご覧ください。

まとめ：どちらの API を選ぶべきか——答えは単純です

企業が音声認識APIを選ぶとき、モデルの精度はひとつの指標に過ぎません。本番環境の体験を決めるのは次の掛け算です。

Accuracy × Latency × Concurrency × Cost × Stability

OpenAI の Whisper API（および gpt-4o-transcribe シリーズ）は優れた汎用音声認識APIです。しかし企業の本番環境では、リアルタイムストリーミングAPIの料金だけでも DolphinVoice の 2.3 倍（¥163.2 vs ¥72/時間）であり、ホットワード、ITN、マルチテナントなどの企業向け機能は追加開発が必要で、補い終えると総コストは DolphinVoice の 5.3 倍になります。

DolphinVoice API の答えをひとことで言うと:

API キー 1 つ。リアルタイム ¥72/時間、オフライン ¥36/時間。上記のすべてが最初から含まれ、従量課金で当日利用開始。段階制料金で、利用量が多いほど単価が下がります。

CPU 推論からゼロ幻覚アーキテクチャまで、ネイティブのストリーミングからオフライン一括書き起こしまで、ホットワードや話者区別から ITN／スマート句読点／フィラーワードフィルタリングなどのテキスト後処理まで、マルチテナント管理からセキュリティコンプライアンスまで——DolphinVoice は、機能を自分で補い合わせる API ではなく、開いてすぐ使えるエンタープライズ向け音声認識SaaS サービスです。

今すぐ DolphinVoice API を利用開始しましょう。GPU 不要、運用不要、従量課金、大量利用にはボリュームディスカウント。クイック登録から API を開通するか、開発者ドキュメントで連携方法を確認してください。完全な料金情報は API 料金ガイド をご覧ください。

DolphinAI について

DolphinAI は音声認識・音声合成・音声対話技術に特化した AI 企業で、企業にコストパフォーマンスと信頼性の高い音声 AI SaaS を提供しています。詳しくは DolphinAI について をご覧ください。

セキュリティとコンプライアンス

DolphinAI はデータセキュリティとプライバシー保護をプラットフォームの中核能力と位置づけ、国際規格と日本国内のセキュリティ認定を複数取得・維持しています。

商用トラフィック

コア機能

認識機能

テキスト後処理

プラットフォームとインフラ

DolphinVoice API

単なる Speech-to-Text API ではなく、

導入したらすぐ使えるエンタープライズ向け音声 AI SaaS サービス。

GPU 不要・運用不要・従量課金・当日開通

リアルタイム認識とオフライン書き起こし、ゼロ幻覚アーキテクチャ、ホットワードと話者区別、ITN／スマート句読点／フィラーワードフィルタリング／LLMスムージング／センシティブワード／強制置換／単語情報などのテキスト後処理、マルチテナント管理、CPU 推論——すべて内蔵、API キー 1 つで呼び出せます。