OpenAI Whisper APIの料金2026年版、$0.003〜$0.006/分

2026年のOpenAI Whisper API料金、ざっくりまとめ

「Whisper APIの料金」と言えば、たいてい誰もが同じ数字を思い浮かべます。1分あたり$0.006。この数字は今も従来のwhisper-1モデルには当てはまります。でも2026年現在、それだけが全てではありません。これを単一の固定料金だと思い込むと、チームが実際に必要な額の2倍を支払う羽目になるのです。

OpenAIは今、同じ/v1/audio/transcriptionsエンドポイント上で複数の音声認識モデルを動かしています。whisper-1はレガシーモデルです。その隣にはgpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize、さらにライブ音声向けのリアルタイム版が並んでいます。2026年で最も安いOpenAIの文字起こしオプションはgpt-4o-mini-transcribeで、1分あたり$0.003。Whisperの半額です。 習慣でいまだにwhisper-1をデフォルトにしているなら、払い過ぎている可能性があります。

現在の料金を含む全ラインナップはこちらです。OpenAIの料金ページから引用しました。

gpt-4o-mini

$0.18/hr

whisper-1

$0.36/hr

gpt-4o-transcribe

$0.36/hr

gpt-4o-diarize

$0.36/hr

gpt-realtime

$1.02/hr

realtime-translate

$2.04/hr

OpenAIのモデル別リスト価格(1時間あたり)、2026年。

この表をざっと見ただけでも、最低コストで単純なバッチ文字起こしをするならgpt-4o-mini-transcribeが勝ちます。Whisperと同じ価格で最高の精度を求めるならgpt-4o-transcribeを使いましょう。話者ラベルが必要なら、diarize版を選んでください。新しいgpt-4oモデルはワードレベルのタイムスタンプや字幕ファイルの出力を廃止したので、それらがどうしても必要な場合にだけ、レガシーなwhisper-1に手を伸ばすべきです。 これについては後で詳しく触れますが、価格比較の記事のほとんどが見落としているポイントです。

私はBello M. Amadouです。文字起こしツールの開発に携わっており、価格だけでモデルを選んだチームが、後になって安いモデルでは動画編集ソフトが必要とするSRTファイルを生成できないことに気づくのを何度も見てきました。このガイドは、そういう遠回りを省くためのものです。

「$0.006定額」時代から変わったこと

当初のWhisper APIは、意図的にシンプルな製品として登場しました。モデルは1つ、価格も1つ、階層なし。そのシンプルさが売りで、古い記事の多くは今でもそのように説明しています。しかし、それはもう時代遅れです。

2025年後半、OpenAIはGPT-4oアーキテクチャをベースにした新しい世代の音声モデルをリリースし、2026年にかけて本番環境で安定しました。実際の影響は次の通りです。

価格の下限が下がりました。 gpt-4o-mini-transcribeは1分あたり$0.003で、旧Whisperの料金を50%下回ります。社内検索のインデックス作成や下書きなど、大量処理で精度に寛容な作業には、これが新しい標準です。

精度は同じ価格で向上。 gpt-4o-transcribe は whisper-1 と同じく1分あたり$0.006ですが、OpenAIはより高精度な文字起こしモデルとして位置づけています。独立系レビュアーはベンチマーク音声でWhisper v3よりも低い語誤り率を報告していますが、正確な数値はテストセットによって異なるため、ネットで見かける単一のパーセンテージは参考程度に捉え、絶対視しないでください。

話者分離が標準機能に。 従来のWhisper APIには話者をラベル付けする組み込み機能がありませんでした。gpt-4o-transcribe-diarize は自動話者検出を追加し、話者ラベルとセグメントタイムスタンプを含む diarized_json レスポンスを、同じ分単位の料金で返します。さらに、既知の話者最大4人分の短い参照クリップを提供することも可能です。

リアルタイム文字起こしが登場。 従来のWhisper APIはバッチ処理のみでした。OpenAIは現在、gpt-realtime-whisper（1分あたり$0.017）と、話しながら翻訳するバリアント（1分あたり$0.034）を通じてリアルタイム文字起こしを提供しており、gpt-4o-transcribe 自体もストリーミングレスポンスをサポートしています。「Whisper APIはリアルタイム対応不可」という包括的な主張は、今では whisper-1 に限ってのみ当てはまります。

Whisperは今も健在、そしてオープンソースのまま。 OpenAIは whisper-1 を廃止していません。モデルリストに1分あたり$0.006で残っており、オープンソースのWhisperウェイトはセルフホスティング用に GitHub から今も無料でダウンロード可能です。つまり、これは名称変更ではありません。より広いメニューであり、Whisperはその中の一つの選択肢に過ぎないのです。

多くの記事が見落とす詳細: なぜ今もwhisper-1が必要なのか

ここがこのガイドで最も役立つ点であり、すべてを安価なgpt-4oモデルに盲目的に切り替えることができない理由です。

gpt-4o文字起こしモデルは、単語レベルのタイムスタンプと字幕出力を廃止しました。 OpenAIの音声認識ガイドによると、whisper-1はjson、text、srt、verbose_json、vttのレスポンス形式と、単語・セグメントのタイミング用のtimestamp_granularities[]パラメータをサポートしています。一方、gpt-4o-transcribeとgpt-4o-mini-transcribeモデルはjsonとプレーンなtextのみに対応しています。gpt-4oモデルにverbose_jsonをリクエストすると、代わりにjsonかtextを使うよう指示するエラーが返ります。

実際にはこういうことです:

つまり、動画のキャプション作成、YouTubeアップロード用の字幕生成、トランスクリプトのタイムラインへの整列といったワークフローでは、新しい「高性能」モデルは必要なタイミングデータを提供してくれません。whisper-1を使い続けるか、gpt-4oのトランスクリプトを別途アライメント処理に通すかのどちらかです。 多くの字幕パイプラインでは、Whisperに留まるのが単純に正しい選択であり、それがWhisperが廃止されない正当な理由でもあります。

25MBと25分のファイル制限

新旧すべてのOpenAI文字起こしモデルは、単一のAPIリクエストに対して同じ2つの厳格な制限を共有しています。

• 最大ファイルサイズ25MB。 25MBを超えるファイルは即座に拒否されます。
• 最大音声時間1500秒（25分）。 これより長い音声は時間超過エラーを返します。これはOpenAIコミュニティフォーラムで複数の開発者が確認しています。

この時間制限に驚く人が多いのは、1時間のポッドキャストをMP3に圧縮するとサイズは25MB未満に収まっても、25分の制限を簡単に超えてしまうからです。両方の条件を満たす必要があります。

25MBが各フォーマットでどれくらいになるか:

ファイルサイズが52分を許容する場合（64 kbps MP3）でも、1500秒の時間制限により、約25分を超えるものは分割が必要になります。つまり2026年現在、通常はファイルサイズではなく時間制限がボトルネックとなるのです。

制限を回避する方法

アップロード前に圧縮する。 音声の場合、WAVを64 kbpsのMP3に変換するとファイルサイズが90パーセント以上削減され、精度の実質的な損失はありません。64 kbpsは音声認識が実際に使用する周波数帯域を保持するからです。FFmpegで1コマンドで実行できます。

まずビデオから音声を抽出する。 1時間のMP4は500MBかもしれませんが、その音声トラックをMP3にすると25MB未満に収まることがよくあります。文字起こしエンドポイントにビデオをアップロードしないでください。APIはビデオストリームを無視するので、帯域幅を無駄にし、サイズ制限に無意味に引っかかるだけです。

長いファイルは無音部分で分割する。 25分を超えるものは必ずチャンク分割が必要です。文の途中ではなく自然な区切りで分割してください。そうしないと、各境界で単語が切れてしまい、後でつなぎ合わせる必要が出てきます。両方の制限を安全に下回るよう、約20〜24分のチャンクを目指しましょう。

サービスに任せる。 圧縮やチャンク分割のパイプラインを自分で組むのが面倒なら、ConvertAudioToText が前処理を自動でやってくれる。どんな長さのファイルをアップロードしても、抽出、チャンク分割、再構築を裏で処理してくれる。正直に言うと、CATT は Whisper ではなく Deepgram と AssemblyAI で動いている。だからこれは「配管工事を代行します」という提案であって、Whisper のラッパーではない。Whisper の出力がどうしても欲しいなら、OpenAI API かセルフホスティングが道だ。

Whisper のセルフホスティング: ソフトは無料、インフラは実費

Whisper はオープンソースなので、自分の GPU で動かせば OpenAI に毎分支払う必要はない。当然の疑問は、モデルが無料でダウンロードできるのに、なぜ毎分 $0.006（または $0.003）を払う人がいるのか、ということだ。答えは、モデルは無料でも、計算リソースとエンジニアリングは無料ではないからだ。

Whisper の large-v3 の重みを実用的な速度で動かすには、それなりの GPU が必要だ。おおよそのクラウド費用は以下の通り:

実際のコストを決めるのは速度の列だ。A100 がリアルタイムの8倍で文字起こしすれば、GPU 1時間あたり8時間分の音声を処理できる。つまり音声1時間あたりの費用は約 $0.15 から $0.40 に落ち着く。T4 がリアルタイムに近い速度で動けば、GPU 1時間あたりの音声処理は約1時間分だ。

でも、GPU のレンタル代は請求書の中で簡単な部分に過ぎない。セルフホスティングは、次のものも自分で抱えることを意味する:

• インフラ。 プロビジョニング、オートスケーリング、フェイルオーバー、稼働時間。デプロイして終わり、という設定ではない。
• ジョブオーケストレーション。 キュー、ワーカー、リトライ、ステータス追跡。マネージドAPIが無料で提供してくれるバックエンドを、自分で再構築していることになる。
• モニタリング。 GPUジョブは独特の失敗の仕方をする。メモリ不足エラー、CUDAバージョンの不一致、ドライバのずれ。これらがエンジニアリング時間を食いつぶす。
• ストレージとネットワーキング。 音声をGPUノードに移し、結果を保存するコストは、スプレッドシートでモデル化すると忘れがちだ。

セルフホスティングが実際にコスト面で勝つのはいつか。大まかな目安として、持続的な高ボリューム時のみだ。

ここで自分のバイアスを正直に認めたい。損益分岐点は紙面上では素晴らしく見えるが、パイプラインを構築して監視するエンジニアの時間を価格に含めると、はるかに悪く見える。また、APIの列を$0.003のgpt-4o-mini-transcribeレートに落としたことで、損益分岐点は以前の$0.006の計算が示唆していたよりもさらに遠くなっている。月に数百時間未満なら、人件費を数えれば、マネージドAPIがほぼ常に総所有コストで安い。

OpenAI vs 競合：2026年6月時点の確認済みレート

1分あたりの価格は目に見える数字だが、総コストを語ることはめったにない。なぜなら、安いプロバイダーは追加料金を別途請求することが多いからだ。以下は、主要なバッチ文字起こしAPIの現在の確認済み従量課金レートである。

出典: Deepgramの料金、AssemblyAIの料金、Google Cloud STTの料金、AWS Transcribeの料金、Azure Speechの料金。

この表が実際に示していること

2026年には、安さを巡るWhisperとの比較が逆転しました。 以前の比較では、DeepgramがWhisperより安いとされていました。しかし、現在のDeepgram Nova-3は録音済み音声で1分あたり$0.0043と、$0.006のwhisper-1よりはまだ安いものの、OpenAI自身の$0.003のgpt-4o-mini-transcribeには及びません。今日、バッチ処理で本当に最安の信頼できる選択肢は、OpenAIのミニモデル、Azureのバッチ層（どちらも$0.003）、そしてAssemblyAIのUniversalモデル（1時間単位の請求で約$0.0035）です。Deepgramは競争力がありますが、かつてバッチ処理で価格面のリーダーだった頃の地位はもうありません。

「分単位」の裏に隠れた追加料金。 DeepgramもAssemblyAIも、話者分離、要約、その他の機能を別項目として請求します。AssemblyAIの基本のUniversalレートは低いですが、話者識別、感情分析、要約はそれぞれ時間単位のコストが上乗せされます。Deepgramは話者分離に1分あたり約$0.002を追加します。一方、OpenAIのgpt-4o-transcribe-diarizeは、話者ラベルを定額の$0.006に含めて追加料金なしで提供するため、実際に話者分離が必要になった場合、こちらがより安価な選択肢になり得ます。

エンタープライズ向けプロバイダーは高額で、バンドルも充実。 Google Cloudの$0.016、AWS Transcribeの$0.024は、OpenAIのminiレートの3〜4倍ですが、ストリーミング、話者分離、カスタム語彙、そして本格的なSLAが含まれています。AWSは非常に大規模な利用で1分あたり$0.0078までボリュームディスカウントがあり、Googleは緊急でないジョブ向けに$0.003の「ダイナミックバッチ」ティアを提供しています。すでにGCPやAWSに深く依存していて、統合とSLAを重視するなら、高い表示価格は実際の価値に見合うものです。

言語のカバー範囲では、依然として大手クラウドとOpenAIが優勢。 Googleは125以上の言語でトップ、gpt-4oモデルは99以上、AWSとAzureは約100をカバーしています。Deepgramの36は狭めです。1つのAPIで多言語の文字起こしをするなら、OpenAIとGoogleが最も適しています。

全プロバイダーの詳細な比較は、音声文字起こしAPI価格比較と、完全版の最高の音声文字起こしAPIランキングをご覧ください。Googleとの直接比較は、Whisper vs Google Cloud Speechをお読みください。

OpenAIの文字起こしが最適なケース

選択肢が広がっているとはいえ、OpenAIの音声モデルが最適となる明確なケースがあります。

予算重視の多言語一括文字起こし。 gpt-4oモデルは99以上の言語に対応し、$0.003という下限価格を備えているので、フランス語、日本語、ポルトガル語のインタビューを1つのAPIで一貫した料金で文字起こしするのは、他に類を見ないほどお得です。多くの競合サービスは非英語に追加料金を課すか、対応言語数が少ないかのどちらかです。多言語文字起こしを試してから、別のサービスを使わずに結果を翻訳することもできます。

字幕とタイムスタンプのワークフロー（whisper-1向け）。 前述の通り、SRT、VTT、または単語単位のタイミングが必要なら、whisper-1は字幕ファイルを直接出力する数少ない低コストAPIの1つです。これは、実際に使う明確な理由になります。

小規模およびプロトタイプ向けプロジェクト。 オーディオ10時間分はミニモデルで$1.80です。サブスクリプションも最低料金もインフラも不要です。研究者、インディー開発者、初期段階のプロダクトにとって、これほど手間のかからない文字起こしはありません。シンプルなエンドポイントと充実したドキュメントのおかげで、動くプロトタイプはすぐに作れます。まずは無料の音声からテキストへのツールやURLからテキストへのツールで体験を確認してみてください。

オープンソースの逃げ道。 Whisperはオープンソースなので、手軽さを求めてAPIから始め、ボリュームが増えたら同じ品質の文字起こしをセルフホストのWhisperに移行できます。このような継続性を提供するプロプライエタリなサービスはほとんどありません。APIを使わない方法の詳細は、無料の音声からテキストへの変換ガイドをご覧ください。

毎月のOpenAI文字起こし料金の見積もり

2つの一般的な料金でのコストをまとめました。モデルの選択に合った行を選んでください。

これらは文字起こしのみの料金です。話者分離（ダイアライゼーション）も必要な場合は、gpt-4o-transcribe-diarize 行が$0.006の列と同じで追加料金はかかりません。要約や整形、字幕生成を重ねる必要があるなら、それらを考慮に入れるか、文字起こし、要約、書き出しをまとめて定額で提供するConvertAudioToTextのようなプラットフォームを使うとよいでしょう。現在のプラン詳細は料金ページをご覧ください。

よくある質問

2026年のOpenAI Whisper APIの1分あたりのコストは？

レガシーのwhisper-1モデルは今でも1分あたり$0.006（1時間あたり$0.36）で、実際の音声時間に基づいて秒単位で請求されます。しかしOpenAIは現在、Whisperの半額にあたる1分あたり$0.003のgpt-4o-mini-transcribeと、同じ$0.006で精度が向上したgpt-4o-transcribeも提供しています。つまり「Whisper APIの価格」はもはや単一の数字ではありません。最新の公式料金はOpenAIの料金ページで確認してください。

whisper-1とgpt-4o-transcribeの違いは何ですか？

両方とも同じ文字起こしエンドポイントで動作しますが、gpt-4o-transcribe はより新しく正確なモデルで、ストリーミング応答に対応しています。重要な注意点は出力形式です。whisper-1 はSRT、VTT、verbose_json、単語レベルのタイムスタンプを返せますが、gpt-4oモデルはjsonかプレーンテキストのみです。字幕ファイルや正確な単語タイミングが必要なら、やはりwhisper-1を使う必要があります。プレーンな文字起こしや話者ラベル付き出力なら、gpt-4oモデルの方が適しています。

OpenAIの文字起こしに無料枠はありますか？

ありません。毎分課金され、OpenAIのオーディオモデルには永続的な無料枠は存在しません。新しいOpenAIアカウントには、文字起こしに使える少額の一回限りのクレジットが付与されることがありますが、それは紹介クレジットであり、継続的な無料枠ではありません。本当に無料で文字起こししたい場合は、オープンソースのWhisperモデルを自前でホストするか（分単位ではなくGPU費用を支払う）、小規模な作業には無料のWebツールを使う方法があります。

OpenAIは現在、話者分離に対応していますか？

はい。従来のWhisper APIは話者をラベル付けできませんでしたが、gpt-4o-transcribe-diarizeは自動話者検出を追加し、話者ラベルとセグメントタイムスタンプを含むdiarized_json応答を返します。料金は標準の文字起こしと同じ毎分$0.006で、分離の追加料金はありません。オプションで、最大4人の既知の話者について短い参照クリップを提供すると、ラベル付けの精度を向上できます。

OpenAI文字起こしAPIのファイルサイズ制限は？

全モデル共通で、1リクエストあたり最大ファイルサイズ25MB、最大音声時間1500秒（25分）です。両方の条件を満たす必要がありますが、通常は時間制限の方が先に引っかかります。1時間のポッドキャストは25MB未満でも、25分を大幅に超えるからです。長いファイルの場合は、動画から音声を抽出し、低ビットレートのMP3に圧縮し、無音部分で分割して両方の制限内のチャンクにします。

2026年、OpenAIとDeepgramではどちらが安いですか？

モデルによって異なります。Deepgram Nova-3は録音済み音声で1分あたり$0.0043と、whisper-1の$0.006を下回りますが、OpenAIのgpt-4o-mini-transcribeの$0.003には及びません。Deepgramは話者分離に1分あたり約$0.002を追加で請求するのに対し、OpenAIの話者分離モデルは$0.006の定額で話者ラベルが含まれます。つまり、安価なプレーンな文字起こしならOpenAIのミニモデルが勝ち、ストリーミングならDeepgramが優勢です。表示価格だけで比較せず、実際の機能セットに合わせて計算してください。

OpenAI Whisper APIをリアルタイム文字起こしに使えますか？

従来のwhisper-1モデルはバッチ処理のみで、リアルタイムには対応していません。ただし、OpenAIは現在、ライブの低遅延ストリーミング向けにgpt-realtime-whisperを1分あたり$0.017、gpt-realtime-translateを1分あたり$0.034で提供しており、gpt-4o-transcribeはストリーミング応答に対応しています。つまり、「Whisperはライブ音声が使えない」という従来のルールは、特定のwhisper-1モデルにのみ当てはまり、OpenAIの文字起こしラインナップ全体には当てはまりません。最低遅延のライブキャプションが必要なら、Deepgramは依然としてベンチマークに値する強力な選択肢です。

API文字起こしと人間の文字起こしを比較するとどうですか？

人間による文字起こしサービスは通常、音声1分あたり$1.00から$3.00を請求します。そのため、1分あたり$0.003から$0.006のOpenAI APIは、およそ200倍から1,000倍安いことになります。ただし、強いアクセント、話者の重なり、大きなノイズがある難しい音声では、人間の精度は依然として勝っており、匹敵するのは難しいです。クリーンな単一話者の録音では、精度の差は小さく、コストの差は莫大です。だからこそ、多くのチームがAI文字起こしを下書き用に使い、人間によるレビューは本当に必要な音声だけに取っておくのです。