2026年の文字起こし1時間あたりのコスト、実際の数字

音声文字起こし1時間あたりの料金は、誰が作業をするかによって$0.21から$119超まで幅があります。この3桁の開きは誇張ではなく、3つの根本的に異なるコスト構造を反映しています。生のGPUコンピュート、パッケージ化された消費者向けソフトウェア、そして人間の労働です。この記事では、それぞれの計算方法を詳しく説明するので、実際の1時間あたりの料金を自分で算出できます。

ステップ1: どのコストモデルを購入するのかを把握する

数字を比較する前に、自分に当てはまる料金モデルを特定しましょう。

従量課金（分単位のAPI）: 使用した分だけ支払い、秒または分単位で請求されます。コストは利用量に比例して増加します。開発者、低利用者、製品を構築する人に最適です。

定額サブスクリプション: 無制限または上限付きの分数に対して固定の月額料金。利用量が増えるほど実効1時間あたりのコストは下がります。継続的な高利用者に最適です。

人間による文字起こし: 音声1分あたりの料金を人に支払います。コストは主に労働で決まり、AI料金に近づくほどの大幅なボリュームディスカウントはありません。

自社のGPUインフラでモデルを自己ホストする方法は、最後に第4の選択肢として説明します。

ステップ2: 実際の1分あたりの料金を調べる

以下の表は、2026年7月時点での録音済み（バッチ）文字起こしの標準的な従量課金プランの実測料金を示しています。

注記: AssemblyAIは2026年7月1日付で地域内価格を10%引き上げる予定です。AWSの料金は米国東部(バージニア北部)のティア1レートを使用。ボリュームティアにより、月間500万分以上で1分あたり$0.0078まで下がります。Google Cloud Dynamic Batchは、24時間以内のターンアラウンドで緊急性の低いワークロード向けに1分あたり$0.004まで低下。Deepgram Nova-3のストリーミングはより安価($0.0048/分)ですが、音声時間だけでなく接続時間にも課金されます。

APIレートのベンダー横断的な比較については、2026年の音声テキスト変換API料金比較をご覧ください。

AssemblyAI U-3.5

$0.21/hr

OpenAI Whisper

$0.36/hr

Deepgram Nova-3

$0.46/hr

Google Cloud STT

$0.96/hr

Rev AI

$15/hr

Rev Human

$119/hr

標準的な従量課金でのメータリングAPIレート。人間による文字起こしはRev標準レート。セルフホストはクラウドGPU使用率での見積もり。

ステップ3: サブスクリプションプランの実効レートを計算する

メータリングAPIは紙面上では最も安く見えます。しかし、定額サブスクリプションを使う場合、実際の1時間あたりコストは利用量次第です。

計算式: 月額プラン料金 / 月間利用時間 = 実効時間単価。

TurboScribeの無制限プランは月額$10(年払い)。Otter Proは月額$8.33(年払い、1,200分込み)。これらは利用状況によって実効レートが異なります:

*Otter Proには月1,200分（20時間）が含まれ、それを超えると上位プランが必要です。

TurboScribeの場合、月約22時間でDeepgram Nova-3の従量課金（$0.46/時間）より安くなります。OpenAI Whisper（$0.36/時間）を上回るのは月約28時間あたりです。

定額制が従量制に勝つ条件を詳しく知りたい方は、無制限と従量制の文字起こし料金比較をご覧ください。

ステップ4: 利用パターンに合ったモデルを選ぶ

実際の計算を交えた3つのシナリオをご紹介します。

シナリオA: ソロポッドキャスター、毎週60分のエピソードを1本配信 月間ボリューム: 約4時間。

• AssemblyAI従量課金: 240分 x $0.0035 = $0.84
• OpenAI Whisper API: 240分 x $0.006 = $1.44
• TurboScribe無制限: $10.00
• Otter Pro: $8.33

このボリュームだと、従量制APIは月$1.50未満です。サブスクリプションはAIメモや連携機能、編集機能などの追加機能があり、その差を正当化できるかもしれませんが、生の文字起こしコストだけ見ればAPIが圧倒的に有利です。

シナリオB: 月20時間のインタビューを扱うジャーナリスト 月間ボリューム: 約20時間（1,200分）。

• AssemblyAI従量課金: 1,200分 x $0.0035 = $4.20
• OpenAI Whisper API: 1,200分 x $0.006 = $7.20
• TurboScribe無制限: $10.00

コストはほぼ拮抗してきました。サブスクリプションは予測可能な請求と追加機能を提供し、APIは生コストでまだ安いです。判断基準は、変動費と固定費のどちらを好むか、そしてプラットフォームの機能セットが重要かどうかです。

シナリオC: コンテンツチームが月60時間の映像を文字起こし 月間ボリューム: 約60時間（3,600分）。

• AssemblyAI従量課金: 3,600分 x $0.0035 = $12.60
• OpenAI Whisper API: 3,600分 x $0.006 = $21.60
• TurboScribe無制限: $10.00

月$10の無制限サブスクリプションは、最も安いAPIよりもコストが低くなります。TurboScribeの実質レートは$0.17/時間で、すべての従量制オプションを下回ります。ここが定額制が決定的に勝つポイントです。

音声文字起こしサービスの隠れたコストガイドでは、他に注意すべき点として、書き出し形式の料金、保存容量の制限、シート単位の価格設定が挙げられています。これらは、一見したところ1時間あたりの料金を静かに2倍に膨らませることがあります。

分単位の料金が実際に有利なケース

従量課金のAPIが理にかなうのは、特定の3つの状況です。

まず1つ目は、利用量が非常に少ない、または予測できない場合です。月に約5時間未満であれば、PAYG APIはほぼどのサブスクリプションよりもコストが低くなります。3ヶ月は忙しく、9ヶ月はまったく使わないコンサルタントが、9ヶ月間の利用ゼロに対してサブスクリプション料金を払うべきではありません。

2つ目は、自社製品の上に組み込む場合です。文字起こしを自社のソフトウェアに埋め込み、コストを顧客に転嫁するなら、分単位の料金はユニットエコノミクスに合致します。定額サブスクリプションでは、1人のヘビーユーザーが利用量を急増させたときにコストを自社で負担することになります。

3つ目は、複数のプロバイダーを試す場合です。APIを使えば、サブスクリプションに縛られることなく、同じ音声データでAssemblyAI、Deepgram、Google Cloudをベンチマークできます。2026年最高の音声文字起こしAPIには、精度の横並び比較が掲載されています。

人間による文字起こしにコストがかかる理由

訓練された文字起こし担当者は、完成した1時間分の文字起こしを仕上げるのに3〜6時間かかります。控えめな時給でも、人件費だけで音声1時間あたり40〜80ドルになります。品質レビュー、プロジェクト管理、マージンを加えると、Revの1分あたり1.99ドル（1時間あたり119.40ドル）という価格も不思議ではありません。

人間による文字起こしの割増料金が正当化されるのは、限られたケースです。エラーが正式な結果に影響する法廷調書、臨床的な重要性を持つ医療文書、規制基準に基づく放送用キャプション、そしてAIがまだ苦手とする、劣化した録音での強いアクセントのある音声などです。ほとんどのクリアな音声では、AIの精度は十分に高いため、API料金の250倍を支払うのは正当化しにくいでしょう。

精度要件が実際に人間による確認を必要とする場合の厳密な分析については、AIと人間による文字起こしの比較をご覧ください。

セルフホストという選択肢

レンタルGPU（例えばSpheron L40S）でWhisper Large-v3を動かす場合、フル稼働時のコストは音声1時間あたりおよそ$0.02です。これは最安の商用APIより10倍安い。ただし落とし穴があります。インフラ構築、GPUインスタンスの監視、エッジケースの音声処理、モデルウェイトの更新に対応できるエンジニアリング力が必要です。DevOpsのオーバーヘッドは、すでにGPUワークロードを運用しているか、月2,000時間以上を文字起こししている場合を除き、計算上の節約額を上回ることがほとんどです。

セルフホストを検討する組織の大半は、完全にコミットするか（社内文字起こしサービスを構築）、すべてをマネージドAPIに任せるかのどちらかに分かれます。

出発点

APIキーや従量課金の管理なしにクリーンな文字起こしだけが必要なら、ConvertAudioToTextがブラウザベースのツールを提供しています。サインアップ不要で10分間のプレビューが使え、登録時に無料の文字起こし10分が一度だけ付与されます。サブスクリプションなしの単発利用に適しています。

定期的な大量処理には、この記事の計算式が損益分岐点を示しています。実際の月間利用時間を式に当てはめ、上位2〜3の候補と比較し、自分の利用パターンに最も安い選択肢を選んでください。2026年の文字起こし価格比較には、より深く掘り下げたい場合の全ベンダー比較表があります。

よくある質問

2026年の文字起こしコストは1時間あたりいくらですか？

幅は広いです。開発者向けAPIは録音済み音声で1時間あたり約$0.21〜$0.46から始まり、Revのような消費者向けAIツールは都度払いで1時間あたり約$15、人間による文字起こしは1時間あたり$90〜$120です。無制限サブスクリプションプランなら、月間の文字起こし量が十分にあれば、実質1時間あたり$0.20未満に抑えられます。

開発者向けAPIと定額サブスクリプション、どちらが安いですか？

量によります。月に5〜8時間未満しか文字起こししないなら、従量課金APIの方がほぼ常に月額10〜30ドルのサブスクリプションより安いです。月10時間を超えると、ほとんどのサブスクリプションが競争力を持ちます。月30時間を超えるなら、通常は無制限プランが価格面で勝ります。

なぜ人間による文字起こしはAIよりずっと高いのか？

人間の文字起こし作業者は、完成した文字起こし1時間につき3〜6時間かかります。控えめな時給でも、人件費だけで音声1時間あたり40〜80ドルに達します。会社の間接費、品質レビュー、利益率を加えると、消費者価格は1時間あたり90〜120ドルになります。AI文字起こしは人件費をGPU計算に置き換えることで、コストを2桁削減します。

1時間あたり最安のAI文字起こしAPIはどれですか？

2026年7月時点で、AssemblyAIのUniversal-3.5 Pro非同期モデルは1分あたり0.0035ドル（1時間あたり0.21ドル）です。Deepgram Nova-3のプリレコードは、従量課金で1分あたり0.0077ドル（1時間あたり0.46ドル）です。OpenAIのwhisper-1とgpt-4o-transcribeは、それぞれ1分あたり0.006ドル（1時間あたり0.36ドル）です。価格はボリューム層やグロースプランの割引で変動する可能性があります。

人間による文字起こしにお金を払う価値があるのはどんな時？

人間による文字起こしが正当化されるのは限られたケースです。エラーが正式な結果に影響する法廷での宣誓供述書や裁判所提出書類、臨床的な正確さが重要となる医療記録、規制基準に従う放送用キャプション、あるいはAIモデルがまだ苦手とする劣化音声での強いアクセントのある発話です。それ以外のほとんどの文脈でクリーンな音声なら、AIの精度は十分高く、人間の割増料金を正当化するのは難しいです。

実際の1時間あたりの文字起こしコストはどう計算しますか？

従量課金プランの場合: 1分あたりのレートに60を掛けます。定額プランの場合: 月額料金を実際に使用した時間数で割ります。月10時間を10ドルのプランで文字起こしするなら、実効レートは1時間あたり1ドルです。50時間なら1時間あたり0.20ドルに下がります。重要な変数は実際の使用量であり、プランの名目レートではありません。

出典

• Deepgramの料金ページ: https://deepgram.com/pricing
• AssemblyAIの料金ページ: https://www.assemblyai.com/pricing
• OpenAI Whisper APIの料金（brasstranscripts.com）: https://brasstranscripts.com/blog/openai-whisper-api-pricing-2025-self-hosted-vs-managed
• AWS Transcribeの料金ページ: https://aws.amazon.com/transcribe/pricing/
• Google Cloud Speech-to-Textの料金: https://cloud.google.com/speech-to-text/pricing
• Revの料金ページ: https://www.rev.com/pricing
• TurboScribeの料金: https://turboscribe.ai/pricing
• Otter.aiの料金: https://otter.ai/pricing
• Happy Scribeの料金: https://www.happyscribe.com/pricing