APIアクセス付き文字起こしツールの最強比較（2026年版）

UIがあっても公開API層がなければ、その上に構築することはできない。 この記事で取り上げる8つのツールは、どれも両方を備えている。直接使えるWebインターフェースと、プログラムから統合するためのAPIアクセスだ。この記事が答える核心的な問いは、どのサブスクリプションプランで実際にAPIキーが解放されるか、ということ。その答えはツールごとに大きく異なり、ホームページからはまず見えてこないからだ。

SaaS層を持たない純粋なAPIプロバイダーの比較（生の価格表やレイテンシーのベンチマークを含む）は、2026年最強の音声認識APIと音声認識API価格ガイドを参照してほしい。

この記事の読み方

各ツールにはカードを1枚用意した。Web UIが何をするか、どのプランのゲートがAPIアクセスを制御するか、2026年7月時点で検証済みの価格、そして正直な制限事項をまとめている。最後の比較表では、プランのゲートと価格モデルを横並びで整理している。

Deepgram（APIファースト、ダッシュボード付属）

Deepgram Nova-3は、新しい本番環境の構築で最も標準的な選択肢だ。 ダッシュボードは機能的だが二義的な存在で、製品の本体はAPIである。どのアカウントでもサブスクリプション契約なしでAPIを呼び出せ、処理した音声の秒数に応じて課金される。

検証済みの価格（2026年7月時点、Deepgramの価格ページによる）:

• Nova-3 単言語、事前録音: 従量課金で1分あたり$0.0077
• Nova-3 単言語、ストリーミング: 従量課金で1分あたり$0.0048
• Growthプラン（年間支出コミットメント）: 事前録音で1分あたり$0.0065に割引
• 無料クレジット: 登録時に$200、クレジットカード不要

話者分離、スマートフォーマット、キータームプロンプトはリクエストパラメータとして利用でき、基本レートで課金される。Python、Node、Go、Rust用のSDKが存在する。Webhookコールバックパターン（ジョブを送信し、完了時にPOSTを受け取る）は、ドキュメントが充実しており安定している。

知っておくべき制限：4人以上の話者に対するダイアリゼーションは十分な性能ですが、専用のダイアリゼーションサービスには及びません。後処理レイヤー（要約、トピック抽出）はAssemblyAIほど洗練されていません。話者ダイアリゼーションに特化したケースでは、採用前にベンチマークを取ることをお勧めします。

AssemblyAI（APIファースト、後処理レイヤー）

AssemblyAIの強みは、文字起こしの後にあります。 Universal-2モデルは$0.15/時間が入り口ですが、本当の魅力は後処理スタックにあります。エンティティ検出、感情分析、トピック検出（IAB）、そして文字起こしに対してカスタムのダウンストリームプロンプトを実行するLLM Gateway（旧LeMUR）です。各アドオンは基本の文字起こし料金に上乗せされる形で個別に課金されます。

確認済みの料金（2026年7月、AssemblyAIの料金ページより）：

• Universal-2（録音済み音声）：基本$0.15/時間
• Universal-3.5 Pro（録音済み音声）：基本$0.21/時間
• アドオン：話者ダイアリゼーション +$0.02/時間、エンティティ検出 +$0.08/時間、トピック検出 +$0.15/時間、感情分析 +$0.02/時間
• 注：AssemblyAIは2026年7月1日にリージョン内モデルの料金を10%値上げしました。"model_region": "global"を指定すると、値上げ前の料金が維持されます。
• 無料枠：サインアップ時に$50のクレジット付与、クレジットカード不要

要約と自動チャプター分割はUniversal-2では非推奨です。カスタムの要約プロンプトにはLLM Gatewayを使用してください。

APIアクセスはペイ・アズ・ユー・ゴーのどのプランでも利用可能です。サブスクリプションは不要です。$50の無料クレジットで、支払い前に約333時間分のUniversal-2文字起こしがカバーできます。

知っておくべき制限：アドオン料金はすぐに積み上がります。ダイアリゼーション、エンティティ検出、トピック検出を組み合わせたUniversal-2ジョブは、LLM Gatewayの前に$0.27/時間になります。後処理なしの基本的な文字起こしだけが必要なら、Deepgramの方が安価です。詳細なAPI料金比較を見ると、スケールが大きくなるほどコスト差は顕著です。

Descript（SaaSファースト、自動化用API）

Descriptは、主に動画・ポッドキャスト編集のためのプラットフォームです。 2026年にパブリックベータとして公開されたAPIは、生の文字起こし抽出というより、ワークフロー自動化を目的に作られています。Underlord AIのアクション（文字起こし、フィラーワード削除、キャプション生成、クリップ作成）をプログラムから実行でき、利用量はサブスクリプションに含まれるメディア分数とAIクレジットから消費されます。

2026年7月時点の確認済み価格（Descriptの公式サイトおよびAPIドキュメントより）:

• Hobbyist: 1人あたり月額$24
• Creator: 1人あたり月額$35
• Business: 1人あたり月額$65
• Enterprise: カスタム
• APIアクセス: 有料プラン全員に含まれる。プランのAIクレジットとメディア分数から消費

私の見解: DescriptのAPIは、すでに編集でDescriptを使っていて、反復的な作業を自動化したい場合に有用です。カスタムパイプライン用に単語レベルのタイムスタンプ付きの生JSON文字起こしが必要な場合は、適切な選択肢ではありません。出力はDescriptプロジェクトネイティブ形式で、きれいなSTT JSONレスポンスではありません。

Sonix（SaaSファースト、APIはAdvancedプラン以上）

Sonixは洗練された文字起こしエディタで、APIアクセスは中位以上のプランに限定されています。 Webインターフェースはすっきりしており、ブラウザ内編集、話者ラベル付け、SRT・VTT・DOCX・プレーンテキストへの書き出しに対応しています。APIの料金はWebアップロードと同じ分単位で、API専用の追加料金はありません。

2026年7月時点の確認済み価格（Sonixの料金ページより）:

• Pay As You Go: 1時間あたり$10（APIアクセスなし）
• Core: 月額$25、月5時間分含む（APIアクセスなし）
• Advanced: 月額$50、月20時間分含む（APIアクセスあり）
• Pro: 月額$80、月40時間分含む（APIアクセスあり）
• どのプランでも追加時間: 1時間あたり$10

APIアクセスはAdvancedプラン（月額$50）で解放されます。APIからの書き出し形式には、単語レベルのタイムスタンプと話者ラベル付きのJSON、およびSRT、VTT、DOCX、PDFが含まれます。

知っておくべき制限：対応言語は54言語です。リアルタイムのストリーミング文字起こしは営業への問い合わせが必要です。編集レビュー用のUIも必要な開発用途では、SonixのAPIがベンダーを切り替えずに両方に対応します。

Fireflies（会議特化、ProプランからAPI利用可能）

**Firefliesは会議の文字起こしとメモ作成ツールで、ProプランにAPIアクセスが含まれています。**主な用途は会議の自動キャプチャです（ボットとして通話に参加します）。ただし、APIを使えば文字起こしの取得、会議全体の検索、下流システムへのデータ連携が可能です。

確認済みの料金（2026年7月時点、Firefliesの料金ページによる）：

• Free: $0（800分の保存容量、AIクレジットは限定）
• Pro: 年払いでユーザーあたり月額$10（月払いだと月額$18）
• Business: 年払いでユーザーあたり月額$19（月払いだと月額$29）
• Enterprise: 年払いでユーザーあたり月額$39

Firefliesの料金ページによると、APIアクセスはProプランから利用可能です。サードパーティの情報源ではこの点に食い違いがありますが、ベンダー自身のページではProからAPIアクセスが可能と示されています。予算を組む前に料金ページで確認してください。

知っておくべき制限：APIは会議中心です。文字起こしと会議メタデータを公開しますが、任意の音声ファイルの文字起こし用には設計されていません。会議の録音ではなくアップロードされた音声ファイルを処理する必要がある場合は、別のツールが適しています。Fireflies vs Otterの比較で、ミーティングボット機能の違いを詳しく解説しています。

Happy Scribe（SaaS優先、BusinessプランでAPI利用可能）

**Happy Scribeは文字起こしと字幕編集ツールで、従量課金またはサブスクリプションモデルを採用しています。**APIは認証、メディアアップロード、署名付きURL生成、文字起こしの取得に対応しています。人間による文字起こしをフォールバックとして必要とするコンテンツワークフローに役立ちます。

検証済みの価格（2026年7月時点、Happy Scribeの料金ページによる）:

• Basic: 月額約17ドルから
• Business: 月額約EUR 89（年払いなら月額EUR 59）
• APIアクセス: Businessプランのみ
• 従量課金制AI文字起こし: 1分あたり$0.20（1時間あたり$12）
• 人力文字起こし: 1分あたり$2.00から

知っておくべき制限: Businessプランの価格は、同程度の利用量でAssemblyAI Universal-2の約5倍です。Happy ScribeのAPIを純粋なAPIプロバイダーより選ぶ主な理由は、ワークフローがブラウザ内エディタと人力エスカレーションを同じプラットフォームで必要とする場合に限られます。

Otter.ai（APIはエンタープライズ限定、営業への問い合わせが必要）

OtterのAPIはエンタープライズ限定で、セルフサービスでの価格公開はありません。 Otter APIとWebhooks機能はエンタープライズ層にのみ表示されます。Pro（月額$8.33/ユーザー）とBusiness（月額$19.99/ユーザー）にはどちらもAPIアクセスがありません。

検証済みの価格（2026年7月時点、Otterの料金ページによる）:

• Basic: 無料（300分）
• Pro: 年払いで月額$8.33/ユーザー
• Business: 年払いで月額$19.99/ユーザー
• Enterprise: カスタム、APIとWebhooksを含む

評価にあたって営業への連絡なしでAPIアクセスが必要なら、Otterは現実的な選択肢ではありません。Otterの強みは会議メモ作成のUIにあり、プログラムによるアクセスを必要とする開発者には、APIファーストのプロバイダーの方が適しています。

ConvertAudioToText（SaaS優先、APIはBusinessプラン）

CATTのWebインターフェースは、サインイン不要で99言語の音声、動画、URLベースの文字起こしに対応しています。 ck_プレフィックス付きキーを使うAPIは、Businessプランで利用可能で、Webhook統合、構造化出力テンプレート（ジャーナリズム向け要約、会議のアクションアイテム、ポッドキャストのショーノート）、DeepgramとWhisper Large-v3のルーティングも含まれます。

Fragment 6:

2026年7月時点で確認済みの料金（CATTの料金ページより）:

• 無料: 文字起こし10分、サインアップ時に一度だけ付与（1日最大3ファイル、各10分まで）
• Pro: 月額$9.99、文字起こし無制限、APIキーなし
• Business: 年額請求で月額$47.99、APIアクセス、ウェブフック、専用サポート

ProプランにはAPIキーは含まれません。APIアクセスにはBusinessプランが必要です。

ミーティングボットやコード統合の要件がなく、きれいな文字起こしだけが必要なら、音声からテキストへのツールはアカウントなしでプラン上限までのファイルを処理できます。

知っておくべき制限: APIはバッチ処理向けで、ストリーミングには対応していません。分単位のコストは個別に公開されておらず、Businessサブスクリプションに組み込まれています。毎月の文字起こし量が予測可能なチームで、サブスクリプション費用が分単位課金より安く済む場合は、比較する価値があります。変動量や高並行処理のワークロードには、DeepgramやAssemblyAIの従量課金モデルの方が予測しやすいでしょう。

比較表

あなたの構築に合わせた選び方

純粋なプログラム用APIが必要で、サブスクリプションの最低契約がないこと: Deepgram、AssemblyAI、またはOpenAI Whisper。この3つはすべて無料クレジットがあり、最低契約の縛りもゼロです。

APIレスポンスの一部として後処理（要約、エンティティ、トピック）が必要な場合: AssemblyAI。アドオン型モデルなので、実際に使う機能にだけ料金を払えます。

同じ請求書でAPIと編集レビュー用のUIが欲しい場合: Sonix（Advanced、月額$50）が、Enterpriseプランが出てくる前の最も手頃なSaaS+APIオプションです。

CRMやワークフロー連携のためにAPIアクセス付きの会議文字起こしが必要な場合: Fireflies BusinessまたはPro（現在のAPIティアは価格ページで確認してください）。

開発チーム向けにAPIアクセスと構造化テンプレート出力の両方が必要な場合: CATT Businessプラン、年払いで月額$47.99。

エンタープライズ向けコンプライアンス（HIPAA、SOC 2、SSO）とAPIアクセスが必要な場合: Otter Enterprise、Trint Enterprise、またはAWS Transcribe（Business Associate Agreement付きでHIPAA対象）。

AWS、Google Cloud、AzureのSTT APIはSaaS+UIのハイブリッドではなく、すでにそれらのエコシステム内で活動しているチームに最適なクラウドネイティブAPIです。それらのスタック内にいるなら、価格体系とコンプライアンス体制を理解しておく価値があります。

FAQ

基本プランまたはミッドティアプランでAPIアクセスが含まれる文字起こしツールは？

DeepgramとAssemblyAIは、有料サブスクリプション不要で、どの従量課金レベルでもAPIアクセスが使えます。FirefliesはProプラン（年払いでユーザーあたり月額$10）からAPIアクセスが含まれます。SonixはAdvancedプラン（月額$50）でAPIアクセスが解放されます。Descriptは全有料サブスクライバーにAPIアクセスを提供します。Happy ScribeはBusinessプラン（約EUR 89/月）でAPIを開放しています。OtterとTrintはEnterprise契約が必要です。

APIファーストとSaaSファーストの文字起こしツールの違いは何ですか？

APIファーストのツール、例えばDeepgramやAssemblyAIは、最初からプログラムによるアクセスを前提に設計されています。秒単位の課金、複数言語対応のSDK、Webhookコールバック、生のJSONレスポンスを提供しています。一方、SaaSファーストのツールであるDescriptやFirefliesは、まずUI製品を構築し、後からAPIアクセスを追加しました。APIの機能、レート制限、出力形式は大きく異なります。本番の文字起こしパイプラインには、APIファーストのツールの方が一般的に柔軟性が高く、スケーリングも予測しやすいです。レビューや編集用のUIも必要なチームには、APIアクセス付きのSaaSファーストツールが、1つの請求書で両方のニーズをカバーできるかもしれません。

バッチ文字起こしでは、DeepgramとOpenAI Whisper APIのどちらが安いですか？

Deepgram Nova-3のプリレコード（バッチ）は、2026年7月時点のDeepgramの料金ページによると、従量課金で1分あたり$0.0077です。OpenAIのWhisper API（whisper-1）とGPT-4o Transcribeはどちらも1分あたり$0.006で、書面上はバッチ処理でOpenAIの方が安いです。GPT-4o Mini Transcribeはさらに安く、1分あたり$0.003です。ただし、Deepgramは秒単位で課金し最低料金もありませんが、OpenAIのAPIは分単位で課金され、ファイルサイズの上限が25 MBです。規模が大きくなると、DeepgramのGrowthプランでさらに料金が下がります。適切な選択は、ボリューム、レイテンシーの要件、話者分離が必要かどうかによって変わります。

ConvertAudioToTextにはAPIがありますか、またどのプランに含まれていますか？

はい。ConvertAudioToTextのBusinessプラン（月額$47.99、年払い）には、ck_プレフィックス付きのAPIキー、Webhook統合、専用サポートが含まれています。Proプラン（月額$9.99）にはAPIキーは含まれていません。Businessプランは、WebインターフェースとAI出力テンプレートに加えて、プログラムによる統合が必要な開発者、代理店、チーム向けに設計されています。

出典

• Deepgramの料金ページ: https://deepgram.com/pricing (2026年7月確認)
• AssemblyAIの料金ページ: https://www.assemblyai.com/pricing (2026年7月確認)
• OpenAIの音声文字起こし料金: https://openai.com/business/pricing/ (2026年7月、検索結果経由で確認)
• Rev.aiの料金ページ: https://www.rev.ai/pricing (2026年7月確認)
• Sonixの料金ページ: https://sonix.ai/pricing (2026年7月確認)
• Firefliesの料金ページ: https://fireflies.ai/pricing (2026年7月確認)
• Happy Scribeの料金ページ: https://www.happyscribe.com/pricing (2026年7月確認)
• Otter.aiの料金ページ: https://otter.ai/pricing (2026年7月確認)
• Trint APIドキュメント: https://dev.trint.com/docs/pricing (2026年7月確認)
• Descript APIページ: https://www.descript.com/api (2026年7月確認)
• ConvertAudioToTextの料金ページ: https://convertaudiototext.com/pricing (2026年7月確認)
• AWS Transcribeの料金: https://aws.amazon.com/transcribe/pricing/ (2026年7月、検索結果経由で確認)
• Google Cloud Speech-to-Textの料金: https://cloud.google.com/speech-to-text/pricing (2026年7月、検索結果経由で確認)
• OpenAI GPT-4o Transcribe Diarizeのドキュメント: https://platform.openai.com/docs/models/gpt-4o-transcribe-diarize (2026年7月確認)