Google Cloud STTの料金2026年版、1分あたり0.003ドルから0.016ドル

Google Cloud Speech-to-Text V2は、リアルタイム文字起こしが1分あたり$0.016、そして多くのチームが見落としている24時間以内に結果が返るDynamic Batchでは、1分あたり約$0.003まで下がります。もしV1の料金をそのまま引用していたり、ストリーミングとバッチを同じものとして扱っていたりするなら、コスト見積もりは50%以上ずれている可能性があります。

簡単にまとめると

V2 API（現在のデフォルト）には、GoogleのChirpモデルファミリーが追加料金なしで含まれています。標準のリアルタイム認識は1分あたり$0.016で、月間200万分を超えると1分あたり$0.004まで下がります。Dynamic Batchは、24時間以内に結果が返る代わりに1分あたりおよそ$0.003から$0.004まで削減でき、時間に敏感でないワークロードには有力な選択肢です。従来のV1 APIは、データロギングのオプトインに紐づいた別の料金表を使っています。その数字は今も料金ページに載っていますが、明示的にV1エンドポイントを呼んでいる場合にのみ適用されます。無料枠では、全アカウントに毎月60分が継続的に付与され、さらに新規GCP顧客には一度きりの$300クレジットがあります。医療モデル（V1のみ）は別料金で、1分あたり$0.078です。

最も大きな料金の落とし穴は、録音済み音声にストリーミングエンドポイントを使ってしまうことです。これでV1では約50%の割増、V2ではDynamic Batchの割引が完全に消えます。レイテンシ要件に合わせてエンドポイントを選びましょう。

V2 API: 現在の料金モデル

V2 APIは、新規統合に推奨されるGoogleのパスです。100以上の言語でトレーニングされたGoogleのユニバーサルモデルであるChirpが標準料金に含まれており、より高性能なモデルを選んでも追加料金はかかりません。

リアルタイム認識（標準）:

ダイナミックバッチ（V2）: 最大24時間のターンアラウンドを受け入れられるワークロードで、1分あたりおよそ$0.003。これはV1には存在しなかった、V2の目玉となるコスト削減レバーです。ポッドキャストスタジオ、アーカイブ文字起こしプロジェクト、あるいは夜間バッチワークフローなら、ダイナミックバッチでリアルタイム比80%の分あたりコスト削減が可能です。

課金は、ほとんどの情報源によるとリクエストごとに15秒単位で切り上げられます。16秒のクリップは30秒として請求されます。スケールが大きくなり短いクリップが多くなると、この切り上げは分あたりレートが示す以上に積み上がります。長いファイル（インタビュー、エピソード、通話録音）では、切り上げの影響は無視できる程度です。

V1 API: レガシーレートは今も使用中

V1 APIは既存のインテグレーション向けに引き続きサポートされています。その価格体系はボリューム層ではなく、データロギングへの同意を軸に構成されています。

データロギングとは、Googleがモデル改善のためにあなたの音声を使用する可能性があることを意味します。機密性の低いコンテンツ（公開ポッドキャスト、マーケティング録音）では、オプトインすることでV1のコストを33%削減できます。PII、HIPAA、財務データに触れるものについては、節約額に関係なくデータロギングは選択肢外です。

V2 APIはこの同じデータロギング割引構造を採用していないため、分あたりレートが同一に見える（$0.016）理由のひとつですが、仕組みは異なります。現在の請求書を公開レートと比較する場合は、コードが呼び出しているAPIバージョンを確認してください。

Dynamic Batch

約$0.003/分

高ボリューム（200万分以上）

$0.004/分

中ボリューム（100万分）

$0.008/分

標準（最大50万分）

$0.016/分

料金はGoogle Cloudの価格ページおよびサードパーティ情報源による2026年7月時点の報告値。Dynamic Batchは約$0.003〜$0.004/分、チャートでは$0.003を使用。

無料枠: 実際に得られるもの

毎月60分、継続的に利用可能。 これはトライアルではありません。アカウントが存在する限り毎月リセットされ、有効期限はありません。V1とV2の両方の利用がこの枠にカウントされます。

新規顧客向けにGCPクレジット$300。 これはSpeech-to-Textだけでなく、Google Cloudの全サービスに適用され、90日で失効します。テスト目的なら十分に太っ腹です。本番運用を考えるなら、これは一時的な導入バッファであり、継続的な補助金ではないと捉えてください。

無料枠内に収まっている場合でも、請求先の支払い方法の登録は必須です。請求アカウントが失効すると、API呼び出しは即座に失敗します。

実際のコストシナリオ

シナリオ1: ポッドキャストスタジオ、月50時間

毎月50時間分のエピソードをショーノートやSEOコンテンツ用に文字起こしするチームは、1秒以内の結果を必要としません。ポッドキャストは事前収録され、夜間に処理すればよく、24時間以内の納品で問題ありません。

V2 Dynamic Batch構成:

• ボリューム: 50時間 = 月3,000分
• 料金: 約$0.003/分
• 無料枠: 60分
• 課金対象分: 2,940分
• 月額コスト: 2,940 x $0.003 = 約$8.82/月

これを、以前の定石が推奨していたV1の「データロギング」料金と比べてみましょう。2,940 x $0.016 = $47.04/月です。Dynamic Batchは小幅な割引ではありません。同じ作業量のコストを約80%削減する、まったく別の料金帯です。その代償は、専らターンアラウンド時間だけです。

チームに締め切りがあり、1時間以内に文字起こしが必要な場合は、標準リアルタイム（$0.016/分）を使います。翌日までにショーノートが必要なケースなら、Dynamic Batchが明らかに適しています。

GCPのセットアップの手間をかけずに文字起こしだけが必要なら、ConvertAudioToTextは定額プランを提供しており、分単位の計算を完全に省けます。

シナリオ2：コールセンター、月500時間

カスタマーサポートチームが、QAレビュー用に毎月500時間分の電話録音を文字起こしするケースです。通話はすでに録音され、翌営業日にレビューされるため、当日中の納品は不要です。

V2 Dynamic Batchの設定：

• ボリューム：500時間＝月30,000分
• レート：約$0.003/分
• 請求対象分：29,940分
• 月額コスト：29,940 x $0.003 = 約$89.82/月

同じボリュームをV2標準リアルタイムレートで処理すると、29,940 x $0.016 = $478.64/月になります。判断のポイントは、レビューチームが通話当日中に文字起こしを必要とするかどうかだけです。ほとんどのQAワークフローは24時間の遅延を吸収できます。

比較として、このボリュームでGoogleのDeepgram競合製品（Nova-3、$0.0077/分）を使うと、リアルタイムレートで月約$231になります。Dynamic Batchよりは高いものの、Googleのリアルタイムよりはかなり安価です。全体像はAPI料金の完全な内訳をご覧ください。

シナリオ3：ヘルスケアプラットフォーム、月1,000時間

遠隔医療プラットフォームが、毎月1,000時間分の診察記録を文字起こしするケースです。医療用語のサポートとHIPAA準拠の両方が重要です。

V1 Medical Conversationの設定（V2には専用の医療モデルがありません）：

• ボリューム：1,000時間＝月60,000分
• レート：$0.078/分（HIPAA対応のためデータロギング無効）
• 請求対象分：59,940分
• 月額コスト：59,940 x $0.078 = $4,675.32/月

それは年間56,100ドルです。この支出レベルでは、Google Cloudの営業にカスタムエンタープライズ料金を問い合わせる価値があります。ボリューム契約で1分あたりの料金を15〜30%削減できることもあります。この規模のプラットフォームでは、カスタム語彙処理を備えた適切に設定された汎用モデルが、自社の専門用語に対してMedicalモデルと同じ精度を達成できるかどうかもベンチマークすべきです。

V1とV2の選択

私の見解:今日新しく統合を始めるなら、V2を使うべきです。Chirpモデルはより広い言語セットで優れた性能を発揮し、Dynamic BatchはV2にしか存在せず、V2のボリューム割引は営業との交渉なしに公開・自動適用されます。V1に留まる唯一の理由は、既存の統合で大掛かりなリファクタリングが必要になる場合だけです。

V2には現在、専用のMedicalモデルがありません。アプリケーションがGoogleのMedical DictationやMedical Conversationモデルを必要とするなら、V1に留まることになります。これは特殊なケースではなく、V1 APIがサポートされ続ける正当な理由です。

Google Cloudと他のAPIの比較

GoogleのV2リアルタイム料金は1分あたり$0.016で、純粋な分単位コストではDeepgramやAssemblyAIより高めです。ただし、言語の幅広さ（Chirpによる125以上の言語対応）、失効しない無料月間枠、そしてGCPの他のサービスとの深い統合という点で優位に立ちます。AWS Transcribeとの比較は書面上では特に僅差ですが、実際の違いはエコシステムへの適合性と、どの無料枠の仕組みが予算サイクルに合うかという点に集約されます。

文字起こしAPIの価格設定の仕組みを広く見たいなら、GoogleとDeepgramの比較は、言語の幅広さと分単位の効率性の違いを考える良いケーススタディになります。

Google Cloud Speech-to-Textが適しているケース

125以上の言語が必要な場合。 Chirpは、ほとんどの競合他社が本番品質で提供していない言語をカバーしています。スワヒリ語、ジャワ語、タガログ語などの低リソース言語を扱うアプリケーションなら、Googleが唯一の実用的なホスト型オプションであることが多いです。

インフラがすでにGCP上にある場合。 Cloud Storageに保存された音声、BigQueryに書き出される結果、Cloud Functionsによるトリガー、ゼロのエグレスコスト、ネイティブのサービスアカウント認証、そしてすでに整備された運用ツール。統合の摩擦は事実上ゼロです。

Googleのコンプライアンス体制を備えた医療文字起こし。 MedicalモデルにはHIPAA BAAの適用範囲と医療特化の認証が含まれており、ほとんどの競合他社はこれに匹敵しません。

エンタープライズ向けコンプライアンスのチェック項目。 SOC 2 Type II、ISO 27001、FedRAMP。セキュリティチームがチェックリストを持っているなら、Google Cloudはそれを満たします。

代替案を検討すべきケース

医療要件のないコスト重視の大量利用。 月500時間の場合、Deepgram Nova-3リアルタイム（1分あたり$0.0077）はGoogle V2リアルタイムよりかなり安価です。文字起こしサービスの隠れたコストの記事では、インフラのオーバーヘッドを含む総コスト比較を詳しく説明しています。

英語専用の精度ベンチマーク。 一部の競合製品は、英語に特化した単語誤り率で優位に立ちます。Deepgram Nova-3や大規模なWhisperモデルは、英語コンテンツで良好なベンチマーク結果を出しています。コンテンツが英語のみで、WERが主要な指標なら、Googleが最適だと決めつける前に、必ず自社でテストを実行してください。

GCPインフラが不要なわけではない。 Speech-to-Textを使うには、GCPプロジェクト、サービスアカウント、請求アカウント、SDKのセットアップが必要です。これは管理可能ですが、もともとGCPの顧客ではないスタートアップにとっては、簡単ではありません。カスタムパイプラインを構築しないのであれば、AssemblyAIのようなスタンドアロンAPIや、ConvertAudioToTextの音声からテキストへのツールのようなターンキーツールを使えば、ファイルから文字起こしまでより速く到達できます。分単位の請求がない定額プランは、料金ページをご覧ください。

コスト削減チェックリスト

緊急でないワークロードはDynamic Batchに切り替える。 V2 Dynamic Batchティアは、利用可能なコスト削減策の中で最も効果が高いものです。結果が24時間待てるなら、リアルタイム料金を支払う理由はありません。

送信前にステレオをモノラルに変換する。 マルチチャンネル音声はチャンネルごとに請求されます。標準的なステレオ録音は、変換せずに送信するとコストが2倍になります。アップロード前に16kHzのモノラルにダウンサンプリングすると、精度に影響を与えずに、ストレージ、転送、APIコストを削減できます。

新しいコードではV2エンドポイントを呼び出していることを確認する。 料金計算ツールとドキュメントはデフォルトでV2を指していますが、古い例からコピーした統合コードがV1エンドポイントを指している可能性があります。API呼び出しのエンドポイントURLを確認して検証してください。

Cloud Consoleで請求アラートを設定する。 予想される月間支出の50%、80%、100%でアラートを設定します。リトライループや設定バグがあると、気づかないうちに請求額が何倍にも膨らむ可能性があります。

コミットする前に、Google Cloud Pricing Calculatorを使って、実際のボリューム、APIバージョン、機能セットをモデル化してください。

よくある質問

2026年のGoogle Cloud Speech-to-Textの1分あたりの料金はいくらですか?

V2 APIは、リアルタイム標準文字起こしが1分あたり$0.016で、月間利用量が増えると1分あたり$0.010、$0.008まで下がります。Dynamic Batchモードは、24時間以内の納品で問題ないワークロードの場合、1分あたりおよそ$0.003から$0.004です。V1 APIは、データロギング有効時で1分あたり$0.016、無効時で$0.024です。医療モデル（V1のみ）は1分あたり$0.078です。

Google Cloud Speech-to-Textの無料枠は？

すべてのGoogle Cloudアカウントには、毎月60分の無料文字起こしが継続的に付与され、有効期限はありません。新規のGCP顧客には、さらに$300のクレジット（90日間有効）が付与され、これはSpeech-to-Textを含むすべてのGCPサービスで利用できます。無料の60分を超えた分には、標準の1分あたり料金が自動的に適用されます。無料枠であっても、APIを使用するにはプロジェクトに請求先アカウントを紐付ける必要があります。

Dynamic Batchとは何ですか、また料金はいくらですか？

Dynamic BatchはV2専用の処理モードで、文字起こしリクエストを優先度の低い処理キューに入れ、24時間以内に結果を返します。料金は1分あたりおよそ$0.003から$0.004で、リアルタイム標準の1分あたり$0.016と比較されます。ポッドキャストのアーカイブ、翌日のQAレビュー、大量の文字起こしプロジェクトなど、夜間のバッチ処理に最適です。ライブキャプションや数秒以内の結果が必要なユースケースでは、標準のリアルタイムエンドポイントを使用してください。

V1とV2 APIの料金の違いは？

V1の料金はデータロギングモデルに基づいており、データロギング有効時は1分あたり$0.016、無効時は$0.024です。V2の料金は、1分あたり$0.016から始まる利用量ティアに基づいており、データロギングによる割引はありません。V2にはDynamic Batchが追加され、Chirpモデルファミリーも追加料金なしで含まれます。Medical DictationやMedical Conversationモデルが必要な場合は、V1のみが選択肢です。新規の統合には、V2が推奨されます。

Google Cloud Speech-to-Textの料金はDeepgramとどう比較されますか？

リアルタイム料金では、Deepgram Nova-3（$0.0077/分）は、同一のワークロードで月50万分まではGoogle V2標準（$0.016/分）より安価です。月100万分を超えると、Googleのボリューム階層によりV2が$0.008/分以下に下がり、比較はより拮抗します。GoogleのDynamic Batchは約$0.003/分で、時間に敏感でないワークロードではDeepgramを下回ります。実際の選択は、必要な言語（Googleは言語の幅でリード）、GCPの利用状況、そしてリアルタイムのレイテンシーが要件かどうかに依存します。より詳細な内訳は、音声認識API料金比較をご覧ください。

出典

• Google Cloud Speech-to-Text料金、公式料金ページ
• CostBench: Google Speech-to-Text料金2026、V1/V2料金表
• BrassTranscripts: Google STT、請求額が2倍になる理由、インフラコストの背景
• Smallest.ai: Google Cloud STT 2026レビュー、V2モデル概要
• Deepgram料金、Nova-3料金確認済み
• Amazon Transcribe料金、AWS料金
• Azure Speech料金、Azure料金
• OpenAI Whisper料金2026、Whisper/gpt-4o料金