2026年 エンタープライズ文字起こしコスト：大規模利用で$0.0078〜$0.024/分

エンタープライズ規模において、文字起こしの料金は単一の数字ではありません。公開されているAPIレートはボリュームに応じて$0.024/分から$0.008/分未満まで下がり、カスタム契約ではさらにそれを下回ります。難しいのは、どのコストを比較すべきか、そして1分あたりのレート以外に何が総請求額を押し上げるのかを把握することです。

何がエンタープライズに該当するか

実務上の目安は、月1,000音声時間以上、組織全体への展開、あるいは標準的な個人向けプランでは満たせないコンプライアンス要件を伴うユースケースです。代表的な例：

• 品質レビューのために録音通話を文字起こしするコンタクトセンターのQAチーム。
• AI支援の臨床文書作成を行う医療機関システム。
• 規制遵守のために顧客との通信をアーカイブする金融サービス企業。
• 放送・ストリーミングコンテンツ用の字幕を作成するメディア企業。
• 証言採録や審理記録を大規模に管理する法律事務所。
• 録音された議事を処理する政府機関。

これらのユースケースには3つの共通点があります。高いボリューム、ベンダー候補リストを左右するコンプライアンス要件、そして意思決定に関わる複数の社内ステークホルダー(IT、法務、調達)です。

公開ボリュームティア:APIが実際に請求する金額

エンタープライズセグメントで最も明確な公開ティア構造を持つのはAWS Transcribeです。レートはバッチとストリーミングの両方に適用されます(同一価格設定):

この500万分以上のティアは、定価から67.5%の割引に相当します。注意:PII(個人識別情報)のマスキングはTier 1で$0.0024/分追加(こちらもティアに応じて逓減)、カスタム言語モデルは$0.006/分追加されます。

Google Cloud Speech-to-Text V2(Chirpモデルを追加料金なしで利用可能)も同様の逓減をたどります:

Dynamic Batch処理では、処理完了まで最大24時間を許容する代わりに$0.003/分まで下がります。Googleは15秒単位で切り上げて課金するため、短い録音ではこの点が効いてきます。

AssemblyAIはボリューム割引ティアを公表していません。 基本レートはUniversal-2が$0.0025/分($0.15/時間)、Universal-3.5 Proが$0.0035/分($0.21/時間)です。カスタムのエンタープライズ契約には営業チームへの問い合わせが必要です。関連するデータポイントとして、2026年7月1日からAssemblyAIのリージョン内モデル料金が10%引き上げられますが、APIリクエストでmodel_region: globalを渡せば現在のレートを維持できます。

Deepgramは、従量課金レートより約12〜20%低いGrowthプランを公表しています(Nova-3 Monolingualストリーミング:従量課金$0.0048/分、Growthプラン$0.0042/分)。それ以上のエンタープライズ契約はカスタムで非公開です。

Rev.aiは、Reverb文字起こしを$0.20/時間($0.0033/分)と公開レートとして掲載しています。エンタープライズのボリューム料金は非公開で、営業との協議が必要です。

Tier 1(0〜25万)

$0.024/分

Tier 2(25万〜100万)

$0.015/分

Tier 3(100万〜500万)

$0.0102/分

Tier 4(500万以上)

$0.0078/分

公開レート、米国東部(北バージニア)。Tier 4(月500万分以上)は定価より67.5%低い。

1分あたりのレート以外で総請求額を押し上げる要因

大規模な展開では、表向きのレートが主要な請求項目になることはまれです。確実にコストを膨らませる5つの要因があります。

コンプライアンスのオーバーヘッド。 HIPAAでは、署名済みBAA、保存時および転送時の暗号化、監査ログ、設定可能なデータ保持期間が求められます。SOC 2 Type IIは今や差別化要素ではなく、最低限の期待水準です。GDPRはデータ所在地と処理契約を追加します。米国連邦政府の案件にはFedRAMP認可が必要で、ベンダーが転嫁する相当なコストを意味します。ベンダーが別途見積もりを提示する場合、同等の非準拠価格より15〜30%の上乗せを見込んでください。

ストリーミング対バッチ。 AssemblyAIは、リアルタイムのUniversal-3.5 Proストリーミングに$0.45/時間、非同期処理に$0.21/時間を請求します。AWSは両方を同一価格にしています。モデルの一般的な表向きレートではなく、実際に必要な配信モードを必ず確認してください。

アドオン機能。 話者分離、感情分析、トピック検出、PIIマスキング——それぞれ1分あたりの課金が加算されます。分析機能を含むAWS Call AnalyticsはTier 1で$0.030/分かかり、標準文字起こしの$0.024/分より高くなります。

カスタムモデル。 カスタム語彙ファイルは一般に無料または低コストです。ファインチューニングした音響モデルや言語モデルはプロフェッショナルサービス案件となり、控えめな初期費用から、ドメイン特化の作業では$50,000超に及ぶこともあります。

統合とサポート。 SLA保証の稼働率(99.9%以上)、専任アカウント管理、カスタムAPI統合は通常、年間エンタープライズ契約にバンドルされており、1分あたりのレートには含まれません。これらは実際のコストを追加します。

ベンダー料金の中に隠れているものを詳しく知りたい方は、文字起こしサービスの隠れたコストの記事で詳しく解説しています。

検証済みレートによる試算

丸めた概算を掲示する代わりに、検証済みのレートが特定のボリュームでどうなるかを示します:

コンタクトセンター、月10,000時間(600,000分): AWS Tier 2では、最初の250,000分が$6,000、次の350,000分が$5,250で、コンプライアンスのアドオンを除いた合計は月$11,250です。Googleの同等ティア($0.010/分)では、最初の500,000分が$6,000、次の100,000分が$1,000で、合計月$7,000になります。いずれのベンダーでも、カスタム契約ならこれらの公開レートを下回る可能性が高いでしょう。

金融コンプライアンスアーカイブ、月4,000時間(240,000分): これはAWS($0.024/分=月$5,760)でもGoogle($0.016/分=月$3,840)でも完全にTier 1に収まります。コンプライアンスのオーバーヘッド(FINRA関連のデータ保持、監査ログ、暗号化)により、ベンダーと契約構造に応じた追加コストが発生します。

メディア字幕付け、月5,000時間(300,000分): AWSはTier 1とTier 2の混合レートで、最初の250,000分が$0.024=$6,000、次の50,000分が$0.015=$750、標準の合計は月$6,750です。リアルタイムのストリーミング字幕が必要な場合は、ストリーミングプレミアム(該当する場合)が無視できないコストを上乗せします。

より広範なベンダー比較については2026年文字起こし料金比較を、単位あたりのベンチマークについては1時間あたりの文字起こしコストをご覧ください。

セルフホスト:正直な計算

クラウドGPU上でWhisper Large-v3をセルフホストすることは、安価な代替手段としてよく挙げられます。しかし実際の数字はそれほど劇的ではありません。

A100 GPUのレンタル料は、2026年時点でプロバイダーにより$1.49〜$3.43/時間です。最適化された推論では、Whisper Large-v3はGPU1時間あたり約6〜10時間の音声を処理します。つまり実効コンピュートコストは音声1時間あたり$0.15〜$0.25、1分あたり$0.0025〜$0.0042になります。

このコンピュートコストであれば、セルフホストはAWS Tier 1より安く、Tier 2とも渡り合えます。ただしコンピュートがコストのすべてではありません:

• パイプラインの構築・保守・運用にかかるエンジニアリング時間(監視、スケーリング、障害復旧、モデル更新)。
• コンピュート以外のインフラ:ストレージ、ネットワーキング、オーケストレーション。
• コンプライアンスは委譲できず、組織が全面的に責任を負います。

私見: 予測可能で安定したワークロードと既存のインフラエンジニアリング体制がある場合、月約5,000音声時間を超えればセルフホストは合理的です。その閾値を下回ると、エンジニアリングのオーバーヘッドが確実にコンピュートの節約額を上回ります。GPUインフラチームを持たない組織にとっては、Tier 2〜3の価格帯のマネージドAPIの方が、総所有コストではほぼ常に安くなります。

マネージドAPIルートの背後にあるエンジンの性能特性については、Deepgram Nova-3で解説しています。

エンタープライズ規模の3つの料金モデル

エンタープライズの文字起こし契約には3つの構造があり、しばしば組み合わせて使われます。

ボリューム割引の従量制。 上記のAWSとGoogleのティアがその例です。消費量が増えるほど単位あたりコストが下がる、公開された階層です。カスタム契約はこれを公開された下限よりさらに下へ拡張します。

予約容量。 固定の月間スループットをコミットする代わりに、さらなる割引と専用処理を受けられる仕組みです。通話量が予測可能なコンタクトセンターで典型的です。特定の容量帯へのコミットに対する割引は、標準のボリューム料金から通常20〜40%オフです。

年間支出コミットメント。 対応するボリューム保証付きの年間総額コミットメントです。予算の予測可能性をもたらし、きめ細かなオンボーディング、カスタム統合サポート、専任アカウント管理への道が開けます。大規模展開では$100,000以上の範囲で一般的です。

これらのモデルがワークロードの種類ごとにどう違うかを広く見るには、無制限 vs 従量課金の文字起こし料金をご覧ください。

エンタープライズ調達が実際に評価するポイント

価格は最初のふるいではありません。実際には、価格交渉の前に次の点で不合格になり、脱落するベンダーが少なくありません:

セキュリティとコンプライアンスの姿勢。 ベンダーはBAAに署名できるか? 最新のSOC 2 Type II認証を持っているか? データはどこに置かれ、顧客が保持期間を設定できるか? 正確に答えられないベンダーは早々に脱落します。

SLA。 99.9%以上の稼働率コミットメント、サポート応答時間の保証、障害時のRTO/RPOの文書化。これらは本番展開の要となる要素です。

ドメイン特有の音声での精度。 多くの企業は、ベンダー候補を絞り込む前に自社の代表音声でRFP形式の精度テストを実施します。クリーンなスタジオ音声での公開WERベンチマークは、背景ノイズと専門用語を含むコンタクトセンター音声での性能を予測できません。

ベンダーの安定性。 このベンダーは3年後も存在しているか? 同等の規模での公開実績があるか? エンタープライズ調達はこれを重く見ます。リスクと切り替えコストの両方に影響するためです。

統合の品質。 APIドキュメントの質、SDKの提供状況、Webhookサポート、顧客の既存スタック(CRM、EHR、コンプライアンスアーカイブプラットフォーム)との互換性。

まず何から始めるか

ベンダーと話す前に、評価フレームワークを定めましょう。必要なのは4つです。代表音声での精度の下限、コンプライアンス要件(候補リストを即座に絞り込みます)、ボリュームのプロファイルとワークロードの予測可能性、そして統合ニーズです。

次に、2〜3社のベンダーで自社の音声を試しましょう。精度とコンプライアンスのハードルを、最低の総所有コストでクリアするベンダーが勝者です。エンタープライズ規模では、表向きの1分あたりレートはほとんどの購買担当者が思うほど重要ではありません。真のコスト差は、コンプライアンス、統合、サポートの層にあります。

エンタープライズ契約を結ぶ前に、より小規模または変動のあるスケールでクリーンな文字起こしが必要な場合は、ConvertAudioToTextが、ミーティングボットへの依存やシート単位のライセンスなしで音声からテキストへの変換を処理します。エンタープライズ契約向け製品ではありませんが、月100〜1,000時間の範囲をきれいにカバーします。Webhookとアナリティクスを備えたBusinessティアを含む現在のプラン詳細は、料金ページをご覧ください。

出典

• AWS Transcribe 料金(ボリュームティア表はCostGoatによる裏付け)
• Google Cloud Speech-to-Text 料金(ティア表はCostBenchによる裏付け)
• AssemblyAI 料金
• Deepgram 料金
• Rev.ai 料金
• JarvisLabs:A100 GPU料金 2026

FAQ

エンタープライズ文字起こしで最も安い1分あたりのレートは?

AWS Transcribeの公開Tier 4レート(月500万分以上)は$0.0078/分です。Google Cloud Speech-to-Textは月200万分以上で$0.004/分、Dynamic Batch経由なら$0.003/分(処理完了まで最大24時間)に到達します。AssemblyAIとDeepgramは割引階層を公表していませんが、大量利用の顧客には定価を下回るカスタム契約を提案しています。

HIPAA準拠は文字起こしのコストを上げますか?

はい、通常は上がります。HIPAA対応ベンダーは署名済みのビジネスアソシエイト契約(BAA)の締結、保存時および転送時の暗号化、監査ログの提供、データ保持期間の制限が求められます。これらの義務は、ベンダーが価格に織り込む運用オーバーヘッドを生みます。同等の非HIPAA環境と比べて15〜30%の上乗せを見込んでください。ただし正確な上乗せ率はベンダーと契約条件によって異なります。

セルフホストのWhisperはいつコストでマネージドAPIを上回りますか?

損益分岐点は、ほとんどの見積もりが想定するよりも高くなります。A100 GPUのレンタルは2026年時点で$1.49〜$3.43/時間であり、Whisper Large-v3はGPU1時間あたり約6〜10時間の音声を処理するため、実効コンピュートコストは音声1時間あたり$0.15〜$0.25になります。この実効コストはAWS Tier 1を下回りますが、Tier 2〜3のレートに近い水準です。予測可能な負荷と既存のエンジニアリング体制があれば、月5,000音声時間を超えるとセルフホストが明確に優位になります。その閾値を下回る場合は、エンジニアリングと運用のオーバーヘッドを織り込むと、通常はマネージドAPIの方が安くなります。

エンタープライズ文字起こしベンダーにどのコンプライアンス認証を求めるべきですか?

最低限として:SOC 2 Type II(2026年の事実上の標準)、健康データを扱う場合の署名済みHIPAA BAA、EUデータ向けのGDPRデータ処理契約。米国連邦政府向けの展開にはFedRAMP認可が必要です。ISO 27001は二次的な検証として一般的です。自己申告ではなく、最新の監査報告書を求めてください。

リアルタイムストリーミング文字起こしはバッチ処理より高価ですか?

ベンダーによります。AWS Transcribeは各ティア内でバッチとストリーミングを同一価格にしています。AssemblyAIはUniversal-3.5 Proモデルで、非同期処理($0.15/時間)に対してリアルタイムストリーミング($0.45/時間)を約3倍請求します。Deepgramもストリーミングと録音済み音声でレートが異なります。表向きのレートではなく、必要とする具体的なモデルと配信モードを必ず比較してください。