2026年最強の音声文字起こしAPI（実際の価格付き）

正直な答え：2026年に「これが一番」と言える音声文字起こしAPIは存在しない

ランキング形式で「1位が全員にとって最適」というリストを期待してここに来たなら、正直な答えは、そんなリストは存在しないということです。 適切な音声文字起こし（STT）APIは、3つの要素に依存します。音声がライブか録音済みか、誰が何を言ったかを把握する必要があるか、そして実際に処理するボリュームがどれだけか。サブ200ミリ秒のストリーミングが必要な音声エージェントと、1時間あたりのコストを最優先する一晩のポッドキャストパイプラインには、共通点がほとんどありません。

多くの「ベストSTT API」まとめが書かれてから変わったのは、価格が大きく動いたこと、そして昔の定番の論点が今では間違っていることです。AssemblyAIはUniversal-2モデルで**$0.15/hrに値下げしました。RevはAPIを$0.20/hrに引き下げました。OpenAIは話者分離とリアルタイムモデルを追加したので、「Whisperにはストリーミングも話者分離もない」という古い言い分はもう通用しません。Speechmaticsは営業電話の裏に隠れるのをやめ、セルフサービスの価格を公開しています。このガイドでは、各プロバイダーの価格ページから2026年6月**時点の価格を取得し、同じ基準で比較できるように正規化しています。

これは、誰かに渡してほしかった比較です。コストだけに焦点を当てた詳細な内訳は、音声文字起こしAPI価格比較をご覧ください。

価格の読み方（ここでみんなつまずく）

ベンダーは異なる基準で価格を提示しており、そこがほとんどの比較が間違うポイントです。「安い」という見出し価格が誤解を招く理由は3つあります。

• 分単位と時間単位。 $0.0077/分と$0.46/時間は同じ数字です。すべての表で両方を表示しています。
• バッチ処理とストリーミング。 録音済み（バッチ）は、モデルが全体を確認してから処理するため、ほぼ常にリアルタイムのストリーミングより安く、精度も高いです。音声がすでに録音済みなら、ストリーミング料金を払う必要はありません。
• アドオン。 話者分離、感情分析、要約、PII（個人情報）の削除は、基本の文字起こし料金に上乗せされることが多いです。「$0.15/時間」のモデルでも、話者分離を有効にすると$0.23/時間になる場合があります。重要な箇所ではアドオン費用を明記しています。

以下のすべての金額は、2026年6月時点で各ベンダーの公開価格ページで確認したものです。 音声文字起こしの価格は頻繁に変わるため、これはスナップショットであり契約ではないとお考えください。予算を確定する前に、リンク先で必ず確認してください。

公開価格を各ベンダーのページで確認済み。定額プランを基準に比較

2026年の価格比較、一覧で見る

以下は全プロバイダーを同じ基準で比較したものです。録音済み（バッチ）価格、話者分離の追加費用、ストリーミング対応、無料枠をまとめています。バッチ価格の安い順に並べています。

Cloudflare Workers AI

$0.03/hr

AssemblyAI

$0.15/hr

OpenAI 4o-mini

$0.18/hr

Rev

$0.20/hr

Google Cloud

$0.24/hr

OpenAI 4o

$0.36/hr

2026年の公開バッチ料金（1時間あたり）。低いほど安価。

2026年で最も安いフル機能の事前録音オプションはAssemblyAIの$0.15/時間で、Deepgramではない。Deepgramは現在、Nova-3バッチで$0.46/時間だ。ストリーミングの価格リーダーは依然としてDeepgramで、リアルタイム作業なら$0.0048/分だ。Cloudflare Workers AIは飛び抜けて安価な選択肢で、およそ$0.027/時間だが、ネイティブの話者分離やストリーミングがないという欠点がある。そしてAWS Standardバッチは現在$0.006/分で、古い記事でよく引用される$0.024/分（これはストリーミング料金だった）をはるかに下回る。

2026年7月1日のAssemblyAI変更に関する注記: AssemblyAIは2026年7月1日から、リージョン内モデルの価格を10%引き上げる。現在の料金を維持するには、APIリクエストに"model_region": "global"を追加すればよい。この記事をその日以降に読んでいる場合、AssemblyAIの行はグローバルリージョン価格として扱ってほしい。

プロバイダー別: それぞれが本当に得意なこと

Deepgram Nova-3

Deepgramは、ストリーミング最優先でレイテンシーにこだわるSTTプロバイダーとして名を築き、今もそこが強みだ。Nova-3ストリーミングは単言語で$0.0048/分（$0.288/時間）、サブ300msのレイテンシーはライブキャプション、音声エージェント、会議ツールでなかなか打ち負かせない。新規アカウントにはカード不要で$200の無料クレジットが付き、この分野で最も寛大な無料枠だ。

欠点は、Deepgramがもはや予算向けバッチオプションではないことだ。Nova-3事前録音は単言語で$0.0077/分（$0.46/時間）、そして話者分離は別途$0.002/分の追加料金だ。録音済み音声だけを処理してリアルタイムの強みが不要なら、使わない機能に割増料金を払っていることになる。Deepgramは秒単位で丸めなしに請求するので、短いクリップが多数ある場合に有利だ。

最適な用途: リアルタイムストリーミング、音声エージェント、そしてバッチ価格の安さよりも最速のレイテンシーを重視するチーム。モデル詳細はDeepgram Nova-3深掘り記事を参照。

AssemblyAI Universal

AssemblyAIは2026年のコスパ王者です。Universal-2のプリレコードは$0.15/時間（$0.0025/分）、新しいUniversal-3.5 Proは$0.21/時間。標準の非同期ダイアライゼーションは小さな**+$0.02/時間のアドオンなので、Universal-3.5 Proで完全にダイアライズされた文字起こしは$0.23/時間**前後に収まります。それでもDeepgramのバッチ処理をダイアライゼーションなしで使うより安いです。

AssemblyAIの真骨頂はオーディオインテリジェンス層にあります。1回のAPI呼び出しで、文字起こしに加えて要約、感情分析、エンティティ検出、トピックチャプター、コンテンツモデレーション、PII編集が取得でき、さらにUniversal-3.5 Proでは自然言語によるキータームプロンプト（最大1,500語）で語彙をバイアスできます。音声からテキストだけでなく構造化データを取り出したいなら、別途LLMを連鎖させる必要がありません。 新規アカウントには**$50分の無料クレジット**が付与され、カード登録も不要です。旧モデルのSLAM-1は非推奨となっており、新規ビルドはUniversal-3.5 Proをターゲットにすべきです。

こんな人に最適: 予算重視のプリレコード音声、そして文字起こしに加えて分析（要約、チャプター、編集）が必要なあらゆるプロダクト。

OpenAI（gpt-4o-transcribeとWhisper）

OpenAIはWhisperに対する最大の不満2点を解消しました。現在は3つの文字起こしモデルがあります。gpt-4o-mini-transcribeが$0.003/分（$0.18/時間）、gpt-4o-transcribeが$0.006/分（$0.36/時間）で話者ダイアライゼーション込み、そしてライブ文字起こし用のリアルタイムモデルです。つまり「Whisperにはストリーミングもダイアライゼーションもない」という従来の不満は2026年時点で時代遅れです。

元のWhisper APIは**$0.006/分のまま、オープンソースでもあり続けているので、faster-whisperやwhisper.cppで重みをセルフホストして、分単位の料金を自前のGPUコストに置き換えることもできます。残る実質的な制約は25 MBのファイルサイズ上限**で、長い録音にはチャンク分割のロジックが必要になります。多言語対応の精度は本物の強みです。モデル内部の詳細は、OpenAI Whisper API料金分析とWhisper large-v3解説をご覧ください。

最適な用途: 多言語のバッチ処理、すでにOpenAIエコシステム内で活動しているチーム、そしてセルフホストのフォールバックを求める人。

Google Cloud Speech-to-Text

Google Cloudは125以上の言語に対応し、Chirpモデルシリーズを備えています。標準認識は**$0.016/分（$0.96/時）で、割高な部類です。結果を最大24時間待てるならDynamic Batchの$0.004/分（$0.24/時）を使いましょう。標準料金から75%割引され、大規模な文字起こしでは最も安価な経路のひとつです。無料枠は毎月60分**が無期限で提供されます。

最適な用途: 最も広い言語カバレッジを必要とするグローバル製品、そしてDynamic Batchのレイテンシを許容できる高ボリュームのバッチジョブ。詳細はGoogle Cloud Speech-to-Text料金ガイドで解説しています。

AWS Transcribe

AWS TranscribeはAWSネイティブの選択肢です。**標準バッチのティア1は$0.006/分（$0.36/時）で、月間25万分以上の利用で急激なボリュームディスカウントが適用され、スケールするほど安くなります。特筆すべきはメディカルモデルの$0.075/分（$4.50/時）**で、臨床会話やHIPAA準拠のワークフロー向けに特化しており、この領域で訓練された数少ないAPIのひとつです。無料枠は最初の12か月間のみ月60分で、その後は終了します。

Best for: AWSネイティブなアーキテクチャ、医療・臨床文字起こし、そして音声をAWS内に留めておきたいチーム向け。詳細はAWS Transcribeの料金内訳をご覧ください。

Rev (Reverb)

Revは、プロが文字起こししたメディア音声を数百万時間分使ってReverbモデルを学習させており、放送品質のコンテンツでその実力が発揮されます。API料金は現在Reverbが$0.20/hr（$0.0033/min）、より高速なReverb turboは$0.10/hr、そして話者分離（最大8話者）はデフォルトで含まれ、追加費用はかかりません。新規アカウントには5時間分の無料クレジットが付与されます。以前のガイドからの大きな変更点: RevのAPIはかつて$0.02/minだったため、料金はおよそ6分の1に下がったことになります。

Best for: ポッドキャスト、放送、プロが制作したメディアで、話者分離込みのクリーンな出力が重要な場合。

Speechmatics

Speechmaticsは、英国発のアクセント・方言スペシャリストで、イギリス英語、オーストラリア英語、インド英語、南アフリカ英語、そしてヨーロッパ言語に強いのが特徴です。2026年の注目すべき変更点は、料金が営業経由ではなくセルフサービスで公開されたことです。多言語対応のMelia 1バッチモデルは$0.129/hrから、リアルタイムはおよそ$0.40/hrから、無料プランには月480分が含まれ、データ主権のニーズに応えるオンプレミスコンテナ展開も可能です。

Best for: 多様な英語アクセント、ヨーロッパ言語、そしてオンプレミス展開が必要な組織向け。

Cloudflare Workers AI (Whisper)

ほとんどどのまとめ記事でも触れられない選択肢: Cloudflare Workers AIは、エッジでWhisperを実行し、音声1分あたり41.14ニューロン、1,000ニューロンあたり$0.011、つまりおよそ**$0.027/hr**（whisper-large-v3-turboは約$0.031/hr）に相当します。1日あたり10,000ニューロンの無料枠があり、Whisperで約240分の無料利用が可能です。ここで紹介した有料の文字起こしサービスの中では、圧倒的に最安です。

トレードオフは現実的です。ネイティブ話者の話者分離なし、ストリーミングなし、そしてWhisperの既知の制限（方言バイアス、25 MBのチャンク分割）があります。しかし、大量処理・単一話者・リアルタイム不要で、ただテキスト化できればいいという用途なら、コスト面で他に並ぶものはありません。

最適な用途: 話者分離やストリーミングが不要な、低コストで大量のバッチ文字起こし。

精度: ベンチマークを読んでから、自分の音声でテストする

精度の見出しは、価格の見出しよりも嘘をつきます。 どのベンダーも自分に都合のいいデータセットでベンチマークを取るので、異なるソースの単語誤り率（WER）は単純比較できません。同じモデルでも、音声が違えば「バッチでWER 5%」という主張と「実環境でWER 18%」という主張が、両方とも正しいことがあり得ます。

最も有用な中立な参照点は、Artificial Analysis AA-WER v2.0のような独立したリーダーボードです。クリーンな英語音声では、現在Deepgram Nova-3、OpenAI gpt-4o-transcribe、AssemblyAI Universalがすべて一桁台から低10%台のWER帯に集まり、その差がプロジェクトの成否を分けることはほとんどありません。ただし、強いアクセントやノイズの多い音声では差が広がり、まさにそこで自分のサンプルが重要になります。

信頼できるルール: 実際の音声（自分のアクセント、背景ノイズ、専門用語）から10分間のクリップを取り、2〜3の最終候補に通して、文字起こしを自分で読むこと。 この1回のテストは、どんな公表WERよりも多くのことを教えてくれます。実際のWERを動かすレバーについては、モデル選択以上に効果のある要素を文字起こし精度向上ガイドで解説しています。

選び方: 実際の意図に合った判断フロー

これを参考に候補を1〜2つに絞り、その後で上記の10分テストを実行してください。

音声はライブ（ストリーミング）ですか、それとも録音済み（バッチ）ですか？

• ライブ: 下のストリーミングの質問に進む。
• 録音済み: そのまま続ける。

録音済み音声で、最安値を最優先にしますか？

• はい、話者分離やストリーミングが不要な場合: Cloudflare Workers AI Whisper（約$0.027/時間）または OpenAI gpt-4o-mini-transcribe（$0.18/時間）。
• はい、ただし話者分離が必要な場合: AssemblyAI Universal-2（$0.15/時間 + 話者分離$0.02/時間）または Rev Reverb（$0.20/時間、話者分離込み）。

要約、チャプター、感情分析、PII（個人情報）の削除も必要ですか？

• はい: AssemblyAI なら1回の呼び出しで対応できます。

ストリーミングやリアルタイム処理は必要ですか？

• 最速のレイテンシー: Deepgram Nova-3（$0.0048/分）。
• ライブ対応言語が最も広い: Google Cloud（Chirp）。
• 既にクラウドを利用中: AWS Transcribe のストリーミングまたは Google Cloud のストリーミング。

特定の分野や市場向けですか？

• 医療・HIPAA対応: AWS Transcribe Medical。
• 多様な英語アクセントやオンプレミス: Speechmatics。
• 対応言語が最も多い: Google Cloud（125以上）。

2026年の新規構築で私が正直におすすめするデフォルト: 録音済み音声を処理していて、安価で機能が揃った1社を選ぶなら、AssemblyAI から始めましょう。リアルタイム系を構築するなら、Deepgram が最初の選択肢です。とにかく低コストで大量のテキスト化だけが必要なら、Cloudflare Workers AI を検討してください。どれも抽象的な意味での「最高」ではなく、特定の用途に最適な選択肢です。

APIを使わずに構築したくない場合？

トランスクリプトが必要だがコード統合は不要なら、これらを接続する必要はありません。ConvertAudioToTextは、アップロード、音声抽出、話者分離、SRT・VTT・TXTへの書き出しをブラウザ内で処理するノーコードツールです。ファイルは当社のプレミアムエンジンで処理されるので、キーやフォールバックを自分で管理する必要はありません。また、字幕生成、会議の文字起こし、動画からテキスト変換も直接利用できます。これは「トランスクリプトが欲しい」という仕事であって、「文字起こし機能を出荷する」という仕事ではない場合に、私が手に取る道です。

Belloからの一言

2026年はこれらのエンジンを実際のユーザー向けに組み合わせる作業に多くの時間を費やしましたが、私が見る最大の失敗は、1年前の「最高のSTT」リストからプロバイダーを選ぶことです。そうしたリストの価格は今ではたいてい古く、記載されていた機能ギャップ（Whisperに話者分離がない、Revは高い、Speechmaticsは価格を隠している）もほとんど解消されています。**実際の音声と実際のボリュームで選び、契約する週にベンダー自身のページで価格を確認し、10分間のテストを実行してください。**それがどんなランキングよりも勝ります。このリストを含めて。

よくある質問

FAQは構造化されたFAQセクションに記載されています。

よくある質問

2026年で最も安い音声テキスト変換APIはどれですか？

有料のフル機能文字起こしなら、AssemblyAI Universal-2が$0.15/時間（$0.0025/分）、Rev Reverbが$0.20/時間（$0.0033/分、話者分離込み）で、録音済み音声向けの最安クラスです。Cloudflare Workers AIで動くWhisperは約$0.027/時間ともっと安いですが、ネイティブの話者分離やストリーミングには対応していません。Google Cloud Dynamic Batch（$0.004/分）やOpenAI gpt-4o-mini-transcribe（$0.003/分）も予算帯に入ります。古い記事でよく最安と紹介されるDeepgramは、Nova-3バッチで現在$0.46/時間です。価格は2026年6月時点で確認済みです。

どの音声文字起こしAPIが最も正確ですか？

単一の「最も正確なAPI」は存在しません。各ベンダーが自分に都合のいい音声でベンチマークを取っていて、異なるソースの単語誤り率は単純比較できないからです。独立系リーダーボードでクリーンな英語音声を見ると、Deepgram Nova-3、OpenAI gpt-4o-transcribe、AssemblyAI Universalは、低い一桁から十数パーセントのWER帯に密集しています。ただし、アクセント付きやノイズの多い音声では差が広がります。信頼できるテスト方法は、自分の実際の音声クリップ10分を最終候補の2、3社に通して、文字起こし結果を自分で読んで比べることです。

リアルタイムのストリーミング文字起こしに最適なAPIは？

Deepgram Nova-3がストリーミング遅延でトップで、$0.0048/分（単言語）、サブ300msの遅延を実現しており、音声エージェントやライブキャプションでよく選ばれています。AssemblyAI Universal Streaming（$0.15/時間）やOpenAIのリアルタイム文字起こしモデルも有力な代替で、リアルタイムで最も広い言語カバレッジが必要ならGoogle Cloudが候補です。録音済み音声では、常にストリーミングではなく、より安くて正確なバッチ層を使うべきです。

これらのAPIに話者分離は含まれますか？追加料金はかかりますか？

状況によります。Rev Reverbは話者分離（最大8話者）を標準で追加料金なしに含み、OpenAIのgpt-4o-transcribeも同様です。AssemblyAIは標準の非同期話者分離に約+$0.02/時間の小さな追加料金を請求します。Deepgramは別途+$0.002/分のアドオンを請求します。AWS TranscribeとGoogle Cloudは対応しています。Cloudflare Workers AI Whisperにはネイティブの話者分離がありません。見出し価格に話者分離が含まれているかは必ず確認してください。アドオンで$0.15/時間のモデルが$0.23/時間に跳ね上がる可能性があるからです。

OpenAI Whisperを無料で使えますか？

OpenAI Whisperとgpt-4o-transcribeのAPIには無料枠がなく、分単位で課金されます（Whisperとgpt-4o-transcribeは$0.006/分、gpt-4o-mini-transcribeは$0.003/分）。ただし、Whisperモデルはオープンソースなので、重みをダウンロードしてfaster-whisperやwhisper.cppなどのツールで自分で実行でき、分単位の料金を自分のGPUコストに置き換えられます。本当に無料のホスト型文字起こしなら、Cloudflare Workers AIがWhisperを1日あたり約240分無料で提供しており、ConvertAudioToTextのようなノーコードツールも使えます。

2026年でもDeepgramは最良の選択ですか？

Deepgramはリアルタイムストリーミングでは今も優れています。Nova-3が$0.0048/分で300ms未満のレイテンシーは敵い難く、最も generous な無料クレジット（$200）も提供しています。しかし、録音済み音声ではもはや最安ではありません。Nova-3のバッチは$0.0077/分（$0.46/時間）に加えて$0.002/分の話者分離アドオンがかかり、AssemblyAIやRevの数倍になります。録音ファイルだけを処理するなら、Deepgramで払い過ぎている可能性が高いです。リアルタイム製品を構築するなら、今でもトップ候補です。

2025年以降、音声認識APIの価格はどう変わりましたか？

価格は急落し、かつての定番の論点のいくつかはもはや通用しなくなった。AssemblyAIは$0.15/hrに下がり、RevのAPIは約$0.02/minから$0.20/hrへと低下、AWS Standardバッチは$0.006/min（古い記事では$0.024と書かれているが、これはストリーミング料金だった）。OpenAIはgpt-4o-transcribeに話者分離を追加し、リアルタイムモデルも投入したため、Whisperはもはやストリーミング非対応でも分離非対応でもない。Speechmaticsは営業電話を必須とせず、セルフサービス価格を公開するようになった。なお、AssemblyAIは2026年7月1日にリージョン内価格を10%引き上げる予定で、model_region: globalを使えば回避できる。

STT APIを使うべきか、それともノーコードの文字起こしツールを使うべきか？

自社製品の機能として文字起こしを組み込む場合、プログラムによる制御、カスタム語彙、ウェブフックが必要ならAPIを使うべきだ。会議、インタビュー、ポッドキャスト、動画など、単に文字起こし結果だけが必要ならノーコードツールで十分。ConvertAudioToTextのようなノーコードツールは、アップロード、音声抽出、話者分離、SRT・VTT・TXTへの書き出しまで処理してくれる。APIキーやフォールバック、チャンク分割を自分で管理する必要はない。内部で複数のエンジンを切り替えて使うので、統合作業なしに各エンジンの強みを活かせる。