5つの音声モデル、ひとつの文字起こし。

既定のモデル。ストリーミング向きのトランスデューサで、1時間の音声をごく短時間で処理し、語単位のタイムスタンプも最初から備えています。

Token-and-Duration Transducer。リアルタイム処理のために作られています。

速度より精度を優先したいとき。重めのモデルで、処理量を少し譲るかわりに、条件の悪い音声でもきれいな文字起こしを返します。

エンコーダが大きく、この一群で最も単語誤り率が低いモデルです。

バランスの取れた選択肢。主要な言語に絞り、タイミングと句読点を素のまま安定して返します。

主要なビジネス言語のクリアな音声に強いモデルです。

それ以外すべての受け皿。速いモデルが対応していない言語でも、Whisperならほぼ確実に対応しており、Turboなら短時間で終わります。

蒸留されたデコーダ。精度をわずかに譲るかわりにlarge-v3よりはっきり速くなります。

Whisper系で最も精度の高い選択肢。Turboより遅いものの、ノイズの多い音声や対応の薄い言語では最も強力です。

蒸留していない完全版。最も難しい音声のときに選んでください。