音声認識APIの料金2026、実際のコストを比較

このガイドでは、2026年に実際に多くのチームが最終候補に挙げる5つのAPIを比較します。AssemblyAI、OpenAI（gpt-4o-transcribeファミリー）、Deepgram、Google Cloud Speech-to-Text、AWS Transcribeです。以下の価格はすべて、2026年6月時点で各ベンダーの公式価格ページから取得したもので、末尾にリンクを掲載しています。価格は変動するため、予算を確定する前に必ずライブページで確認してください。

個別の詳細な解説が必要な場合は、Google Cloud Speech-to-Textの価格、AWS Transcribeの価格、OpenAI Whisper APIの価格に関する専用ページを用意しています。

完全な価格比較表

以下は、2026年6月時点での5社すべての横並び比較です。料金は、特に記載がない限り、標準バッチ（録音済み）文字起こしのものです。AssemblyAIは1時間あたり、その他は1分あたりの料金を提示しているため、比較が公平になるよう両方の列を表示しています。

AssemblyAI

$0.15/hr

OpenAI

$0.18/hr

Google Cloud

$0.24/hr

Deepgram

$0.46/hr

AWS Transcribe

$1.44/hr

各プロバイダーの最低公開バッチ価格（2026年）。低いほど安い。

この比較を2026年初頭に最初に書いてから、いくつか変化がありました。そして、それらは重要です。

• AssemblyAIがフル機能APIの価格の下限になりました。 Universal-2非同期文字起こしは1時間あたり$0.15、つまり1分あたり$0.0025で、話者分離と99言語対応が含まれています。
• OpenAIはより安いモデルと話者分離を追加しました。 gpt-4o-mini-transcribeは1分あたり$0.003、そして2025年10月にリリースされた新しいgpt-4o-transcribe-diarizeモデルは、Whisper系の文字起こしに話者ラベルを組み込みました。これは旧Whisper APIにはなかった機能です。
• Deepgramはもはや最安ではありません。 Nova-3の従量課金は1分あたり$0.0077（1時間あたり$0.46）で、2024年と2025年にDeepgramを予算重視の勝者にしたNova-2の料金から上がっています。
• Googleの標準料金は現在、V2 APIのChirpモデルで1分あたり$0.016です。 また、待てるワークロード向けに1分あたり$0.004の別の24時間動的バッチ層もあります。

各プロバイダーの価格モデルを理解する

AssemblyAIの価格設定

AssemblyAIは音声1時間あたりで価格を設定し、非同期（録音済み）とストリーミングを別々に請求します。

• Universal-2（非同期）: 1時間あたり$0.15（1分あたり$0.0025）
• Universal-3.5 Pro（非同期）: 1時間あたり$0.21（1分あたり$0.0035）
• Universal Streaming（リアルタイム）: 1時間あたり$0.15
• Universal-3.5 Pro Realtime: 1時間あたり$0.45
• 無料クレジット: 登録時に$50、カード不要

AssemblyAIのストリーミングで注意すべきは、課金単位です。ストリーミングはセッション時間で課金されます。つまり、WebSocket接続が開いている時間に対して料金が発生し、実際に送信した音声の長さではありません。長い無音の間もストリームを開いたままにすると、そのアイドル時間に対しても支払うことになります。非同期文字起こしでは、送信した音声に対してのみ支払うため、この心配はありません。

話者分離、単語レベルのタイムスタンプ、言語検出は、基本の非同期レートに含まれています。AssemblyAIは非同期文字起こしで99言語の対応を公開しており、リアルタイム多言語ストリーミングでは対応言語が少なくなっています。

価格に関する注意点として、AssemblyAIは2026年7月1日から、リージョン内モデルの価格が約10%上昇すると発表しています。ただし、リクエストに"model_region": "global"を追加すれば、現在のレートを維持できます。契約を確定する前に、最新のレートを確認してください。

OpenAIの価格（gpt-4o-transcribeファミリー）

OpenAIの音声文字起こし価格は、かつての単一のWhisperエンドポイントではなく、現在は小さなモデルファミリーになっています。

• gpt-4o-transcribe: 1分あたり$0.006（推定、トークン単位で課金）
• gpt-4o-mini-transcribe: 1分あたり$0.003（推定、トークン単位で課金）
• gpt-4o-transcribe-diarize: 話者ラベル内蔵の文字起こし
• 無料枠なし、ボリュームディスカウントなし

従来の常識に対する修正が2つあります。まず、OpenAIは現在、gpt-4o-mini-transcribeで1分あたり$0.003のオプションを提供しており、従来のWhisperの$0.006という料金を下回っています。次に、「Whisperには話者分離がない」という長年の不満はもはや当てはまりません。gpt-4o-transcribe-diarizeは話者識別機能を搭載し、参照音声を使って最大4人の既知の話者にセグメントを割り当てることもできます。

残る制限は現実のものです。文字起こしAPIはバッチ処理のみで、Deepgram、AssemblyAI、Googleが提供するような真のリアルタイムストリーミングはありません。diarizeモデルは30秒を超える音声にはchunking_strategyが必要で、プロンプトやタイムスタンプの粒度には対応していません。完成したファイルを納品するポッドキャスト、インタビュー、会議のワークロードの多くでは、これらのどれも問題にならず、価格は非常に競争力があります。

Deepgramの料金

Deepgramの料金は、2026年時点でNova-3モデルが中心です。

• Nova-3単一言語（従量課金）: 1分あたり$0.0077（1時間あたり$0.46）
• Nova-3多言語: 1分あたり$0.0092
• グロースプラン: 年間プリペイド契約で1分あたり約$0.0065まで引き下げ（約16%割引）
• 無料クレジット: $200、カード不要

Deepgramは音声の1秒単位で課金されるため、37秒のクリップはちょうど37秒分の料金で、切り上げられた1分分ではありません。この粒度は、短いクリップを大量に処理する場合に本当に役立ちます。

正直な見出しは、Deepgramがもはや最安の選択肢ではないということです。予算重視の選択肢にしていたNova-2の1分あたり約$0.0043という料金は、公開料金から段階的に廃止され、Nova-3の$0.0077に置き換わっています。Deepgramは、低遅延ストリーミング、英語の高い精度、秒単位の課金で依然として候補リストに載る価値がありますが、2024年の「Deepgramは常に最安」という経験則は時代遅れです。二次サイトでは今でも古い$0.0043という数字を引用していますが、そのような低い数字はレガシーなNova-2の料金として扱い、ライブのセレクターで確認してください。

Google Cloud Speech-to-Textの料金

Google Cloud Speech-to-Textは、価格体系をV2 APIとChirpモデルを中心に再編しました。

• 標準リアルタイム認識（Chirp、V2）： 1分あたり$0.016（1時間あたり$0.96）
• ダイナミックバッチ： 1分あたり$0.004（1時間あたり$0.24）、結果は24時間以内に配信
• 無料枠： 毎月60分、継続的に提供、有効期限なし

ここでの大きな変化は統合です。以前の価格設定には、標準（$0.024）と拡張（$0.036）という別々のティアがありました。V2 APIではChirp、Chirp 2、Chirp 3をすべて同じ1分あたり$0.016のレートにまとめ、モデルごとの追加料金はありません。これは旧拡張ティアよりシンプルで、かつ安価です。特に注目すべきは1分あたり$0.004のダイナミックバッチで、リアルタイムより75%安く、夜間のアーカイブ処理など即時回答を必要としないワークロードに最適です。

新しいGoogle Cloudアカウントには、90日間有効な$300のプラットフォームクレジットも付与されます。これはSpeech-to-Text専用の毎月60分の無料枠とは別枠です。

AWS Transcribeの価格

AWS Transcribeは、スケールに応じて自動的に適用されるボリュームディスカウント付きの単一標準レートを維持しています。

• ティア1（月間最初の250,000分）： 1分あたり$0.024
• ティア2（月間250K〜1M分）： 1分あたり$0.015
• ティア3（月間1M〜5M分）： 1分あたり$0.0102
• ティア4（月間5M分超）： 1分あたり$0.0078

AWSは1秒単位で課金し、リクエストごとに最低15秒分が請求されます。この15秒の下限は、非常に短いクリップを多数処理する場合に実際のコストとなります。4秒のクリップでも15秒分として請求されるからです。無料枠は最初の12か月間のみ毎月60分で、その後はすべての分が課金対象になります。

ボリュームディスカウントこそが、AWSが大規模利用の場面で候補に残り続ける理由です。月25万分（約4,167時間）を超えると単価は$0.015まで下がり、さらに月500万分を超えると$0.0078まで段階的に低下します。すでに音声をS3に置いているAWSネイティブのショップにとっては、クロスサービス統合とこの自動ディスカウントが、高いカタログ価格を上回る価値になり得ます。

スケール時のコスト：2026年向けに再計算

分あたりの料金は比較しやすいですが、実際に請求書に載るのは総額です。以下は、上記の2026年現在の料金をもとに、3つのボリューム帯で再計算した月額コストです。すべて各プロバイダーの最安標準バッチモデルを使用しています。

月100時間（6,000分）

数百人のアクティブユーザーを持つ文字起こしプロダクト、毎週エピソードを処理するポッドキャストネットワーク、または小規模なサポートチームに典型的な規模です。

100時間の利用では、AssemblyAI Universal-2はAWS標準より約90%安く、Googleのリアルタイム料金より84%安くなります。 OpenAIのミニモデルとGoogleの24時間バッチ層は、どちらもDeepgramより安価です。これは、2024年から評価が逆転したことを示す最も明確なサインです。

月1,000時間（60,000分）

成長中のプロダクト、中規模のコンタクトセンター、またはコンテンツを大規模に処理するメディア企業向けの規模です。

1,000時間の時点で、ドル換算の差は歴然です。AssemblyAIは同じボリュームを$150で処理しますが、AWS標準では$1,440かかります。これは年間$15,000以上の節約に相当し、AWSのボリュームディスカウントが適用される前の話です（この規模では、そもそも割引は適用されません）。

月間10,000時間（600,000分）

エンタープライズ規模：グローバルなコンタクトセンター、大規模メディアアーカイブ、コンプライアンス録音、または数千人の開発者にサービスを提供するAPIなど。

エンタープライズ規模になると、AWSのボリュームディスカウントがようやく適用されます。600,000分は、最初の250,000分が$0.024（$6,000）、残り350,000分が$0.015（$5,250）で合計$11,250となり、定額レートの$14,400より安くなります。それでも、AssemblyAI Universal-2の$1,500は、割引後のAWSより月額約$9,750安い計算です。この規模では、どのプロバイダーもカスタムレートを交渉できるので、リスト価格はあくまで出発点と考え、最終的な請求額とは別物だと認識してください。

知っておくべき隠れたコスト

分あたりのレートは請求額の一部にすぎません。他にも、総支出を大きく動かすコストがいくつかあります。

最低料金と丸め処理

短いクリップを大量に処理する場合、プロバイダーがどう丸めるかが重要になります。

• AWS Transcribe: 1秒単位の課金ですが、1リクエストあたり最低15秒が適用されます。4秒のクリップでも15秒分として請求されます。
• Deepgram: 秒単位の課金で、最低料金の規定がなく、短いクリップには最も有利です。
• Google Cloud: 従来は15秒単位で切り上げて課金されていました。
• AssemblyAIストリーミング: セッション時間で課金されるため、アイドル状態の接続時間も費用に含まれます。

ワークロードが何千もの小さなクリップ（音声コマンドや短いボイスメールなど）の場合、これらのルールにより実効的な1分あたりのコストが表示上のレートを大きく上回ることがあります。

データ転送とエグレス料金

Google CloudとAWSは、結果がクラウド外に出る際にデータエグレス料金を請求します。おおまかな目安は次のとおりです。

• Google Cloud: 月間の最初のエグレス層で約1GBあたり$0.12
• AWS: 月間の最初のエグレス層で約1GBあたり$0.09
• AssemblyAI、OpenAI、Deepgram: エグレス料金なし、結果はAPIレスポンスで返されます

文字起こしテキストは非常に小さい（オーディオ1時間あたり数KB）ため、結果のエグレスは無視できる程度です。実際のデータコストは、ソース音声を最初にクラウドストレージへアップロードすることです。CD品質のWAVファイル1時間は約635MBなので、月間10,000時間だと数百テラバイトの音声を取り込むことになります。

音声ストレージコスト

コンプライアンス、再処理、QAのためにソース音声を保持する場合:

• Google Cloud Storage（Standard）: 約1GBあたり月額$0.020
• AWS S3（Standard）: 約1GBあたり月額$0.023
• Cloudflare R2: 約1GBあたり月額$0.015、エグレス料金なし

大規模なアーカイブでは、Cloudflare R2のようなエグレス無料のプロバイダーが長期的に実質的なコスト削減につながります。ストレージ料金は変動するため、お住まいの地域の最新の料金ページで確認してください。

音声の前処理とファイル制限

すべてのAPIがすべての形式をネイティブに受け付けるわけではなく、ファイルサイズの上限によってチャンク分割が必要になるものもあります。

• OpenAI はこれまで、リクエストあたり25 MBのファイルサイズ制限を設けてきたため、長い録音は分割する必要があります。
• AWS Transcribe は、S3内の音声または特定の形式でのストリーミングを想定しています。
• Deepgram、AssemblyAI、Google Cloud は、幅広い入力形式に対応しています。

ソースが動画や一般的でないコーデックの場合、FFmpegの処理時間、音声抽出のための計算リソース、中間ファイル用の一時ストレージを考慮する必要があります。このエンジニアリング上のオーバーヘッドは、APIの請求書には決して載らないものの、実際のコストです。

SDKと統合のオーバーヘッド

Google CloudとAWSは、それぞれクラウドSDK、IAM設定、認証の仕組みが必要です。AssemblyAI、OpenAI、Deepgramは、単一の認証済みHTTPリクエストで叩けるシンプルなREST APIを提供しています。小規模なチームにとって、その違いは統合とメンテナンスの時間を数日分節約できることを意味します。

あなたのユースケースに最適なAPIはどれか？

完璧な音声テキスト変換APIは存在しません。適切な選択は、ボリューム、機能、既存のインフラ、予算によって変わります。以下が正直な内訳です。

最低コスト重視の場合

勝者: AssemblyAI Universal-2（$0.0025/分）または OpenAI gpt-4o-mini-transcribe（$0.003/分）

価格が決め手で、話者分離などのフル機能を備えたAPIが必要なら、AssemblyAI Universal-2が1時間あたり$0.15で最安値です。バッチ文字起こしだけで十分で、リアルタイムストリーミングが不要なら、OpenAIのミニモデルが1分あたり$0.003で、高い精度を誇りながら僅差で続きます。Googleの動的バッチ層（$0.004/分）も、24時間以内のターンアラウンドが許容できる場合の3番目の有力な予算オプションです。

リアルタイムとストリーミング重視の場合

勝者: Deepgram または AssemblyAI

Deepgramは、中間結果、エンドポインティング、秒単位の課金を備えた低遅延ストリーミング向けに設計されており、ライブキャプションや音声エージェントでは、より高額なNova-3レートでも依然としてトップクラスの選択肢です。AssemblyAIのユニバーサルストリーミングは1時間あたり$0.15で、インテリジェントなエンドポインティングと話者分離を備え、価格面で競争力があります。OpenAIはここでは選択肢になりません。その文字起こしAPIはバッチ処理のみだからです。

エンタープライズおよび高ボリューム向けに最適

勝者: AWS Transcribe（ボリュームディスカウントあり）またはAssemblyAI（エンタープライズ契約あり）

エンタープライズ規模になると、議論はリスト価格から交渉レートへと移行します。AWSの自動ボリュームディスカウントは、月間25万分、100万分、500万分の利用で、営業電話なしでも競争力があり、すでにAWS上で運用しているなら統合はシームレスです。クラウドに縛られていない場合、AssemblyAIの1時間あたりのレートはどのボリューム層でも安く、さらにその上でエンタープライズ価格の交渉にも応じます。

多言語アプリケーションに最適

勝者: Google CloudまたはAssemblyAI

Google CloudのChirpモデルは、非常に幅広い言語をカバーし、非英語の精度も高く、すべて一律1分あたり$0.016です。AssemblyAIは、非同期文字起こしで99言語対応を公表しており、1分あたり$0.0025で、完成したファイルに対しては、広さと安さの両方を兼ね備えています。OpenAIのモデルは多くの言語とコードスイッチングをうまく処理しますが、バッチ処理のみです。

話者分離に最適

勝者: AssemblyAI、ただしOpenAIも今や本命候補

AssemblyAIは基本の非同期レートに話者分離を含めています。2026年の注目すべき変更点は、OpenAIのgpt-4o-transcribe-diarizeで、Whisperファミリーに初めて組み込みの話者ラベルを追加し、セグメントを既知の話者にマッピングできます。Deepgram、Google Cloud、AWSもすべて話者分離をサポートしているため、これはもはや単一の選択を強いる差別化要因ではありません。

マネージドサービスが生のAPIに勝る場合

上記の選択肢はすべて生のAPIです。多くのチームにとって本当の問いは自社開発か購入かです。1分あたりのリスト価格は、統合エンジニアリング、認証、音声の前処理（FFmpeg、フォーマット変換、ファイルサイズ上限に応じたチャンク分割）、リトライ処理、ストレージ、そしてそれらすべての継続的なメンテナンスを加えた総コストのうち、ほんの一部に過ぎません。

そのギャップを埋めるのがConvertAudioToTextです。当社はマルチエンジンの文字起こしパイプラインを運用しています。AssemblyAIをプライマリエンジンとして長尺音声や非英語音声に使用し、Deepgramをフォールバックとして、無料枠にはCloudflareの無料Whisperを採用しています。AssemblyAIをプライマリに選んだのは、まさに上記で述べた価格と機能のバランスが理由です。この推奨がどこから来ているのかを理解した上で判断していただけるよう、率直にお伝えしています。音声をアップロードするかURLを貼り付けるだけで、話者分離付きの整形済み文字起こし、複数のエクスポート形式（SRT、VTT、TXT）、さらに字幕ジェネレーターや会議文字起こしのレイヤーが得られ、APIの配管を維持する必要は一切ありません。

生のAPIルートを希望される場合は、最高の音声認識APIガイドで統合方法とコードサンプルを詳しく解説しています。実際のコストがエンジニアリング時間であるならマネージドサービスを購入し、パイプラインを自社で所有できる規模とチームがあるならAPIを直接統合してください。

よくある質問

2026年で最も安い音声認識APIはどれですか？

AssemblyAIのUniversal-2は、毎分$0.0025（1時間あたり$0.15）で、話者分離と99言語対応を含む、最も安価なフル機能の音声認識APIです。OpenAIのgpt-4o-mini-transcribeは、バッチ専用の文字起こしで毎分$0.003と僅差で続きます。24時間以内の納品でよければ、Google Cloudのダイナミックバッチ層が毎分$0.004で、もう一つの有力な予算オプションです。2024年と2025年に最安だったDeepgramは、Nova-3で現在毎分$0.0077となり、もはや予算の勝者ではありません。

Deepgramはまだ毎分あたりの価格が最安ですか？

いいえ。DeepgramのNova-2は毎分約$0.0043で、過去数年間は予算向けの選択肢でしたが、現在のNova-3の従量課金レートは毎分$0.0077（1時間あたり$0.46）です。AssemblyAI（毎分$0.0025）とOpenAIのミニモデル（毎分$0.003）は、どちらも現在より安価です。Deepgramは、ストリーミングの遅延と秒単位の課金で依然として強く競争していますが、見出しとなる価格では劣ります。一部の比較サイトでは、まだ古い$0.0043の数字を引用しているので、Deepgramのライブ価格ページで確認してください。

Google Cloud Speech-to-Textには無料枠がありますか？

はい。Google Cloudは、毎月60分の無料文字起こしを時間制限なしで提供し、無期限に継続します。新しいGoogle Cloudアカウントには、90日で失効する$300のプラットフォームクレジットも付与されます。AWS Transcribeの無料枠も毎月60分ですが、最初の12か月のみで、その後は毎分が課金対象となります。

OpenAIの文字起こしAPIは、現在話者分離に対応していますか？

はい。旧Whisper APIは話者をラベル付けできませんでしたが、OpenAIは2025年10月にgpt-4o-transcribe-diarizeをリリースし、組み込みの話者識別を追加し、参照音声を使って最大4人の既知の話者にセグメントをマッピングできます。主な制限は、OpenAIの文字起こしAPIが依然としてバッチ専用で、Deepgram、AssemblyAI、Googleが提供するようなリアルタイムストリーミングがないことです。また、diarizeモデルは、30秒を超える音声にはチャンキング戦略が必要です。

音声からテキストへのAPIの月額コストはどう見積もればいい？

月間の音声量（分単位）を計算し、選択したプロバイダーとモデルの分あたり料金を掛けます。たとえば、AssemblyAI Universal-2で月500時間なら、500時間×60分×$0.0025で月$75です。請求単位に注意してください。AWSはリクエストごとに15秒の最低料金があり、AssemblyAIのストリーミングはセッション時間（アイドル時間を含む）で課金され、Deepgramは秒単位です。さらに、音声ストレージ、Google CloudやAWSのデータ転送料金、フォーマット変換の前処理計算など、隠れたコストも加算しましょう。

ストリーミングとバッチ処理、どちらが安い？

バッチ（録音済み）の方が通常は安いか同等です。リアルタイムストリーミングは専用インフラとWebSocket管理が必要だからです。Googleのダイナミックバッチは分あたり$0.004で、リアルタイムは$0.016、75%の差があります。AssemblyAIは非同期と基本ストリーミングの両方で時間あたり$0.15ですが、ストリーミングは音声の長さではなくセッション時間で課金されます。即時の回答が必要ないワークロードなら、バッチがほぼ常に経済的に優れた選択です。

アプリケーションを再構築せずに音声認識APIを切り替えられますか？

コアのワークフロー（音声送信、テキスト受信）はプロバイダー間で似ているため、切り替えは主に統合コード、認証、場合によっては前処理パイプラインの変更を意味します。切り替えコストを抑えるには、文字起こしロジックを内部インターフェースの背後に抽象化して、アプリの他の部分に触れずにプロバイダーを交換できるようにします。ConvertAudioToTextのようなマネージドサービスは、その抽象化を代行し、複数のエンジンを内部で実行するので、統合を所有せずに信頼性の高い文字起こしを得られます。

結論

2026年の結論は2024年とは異なります。価格面でのリーダーはAssemblyAIとOpenAIのミニモデルで、DeepgramはNova-3で中位に後退、GoogleのV2バッチ層は緊急でない作業には静かにお得な選択肢です。 実際のワークロードに必要な機能で候補を絞り込み、上記のコスト表に自分の実ボリュームを当てはめて試し、契約前に各ベンダーのライブ価格ページで全数字を確認してください。これらの料金は変動し、少なくとも1つ（AssemblyAIのリージョン内価格）は公開後数日で変更予定でした。

本当の制約が1分あたりのコストではなくエンジニアリング時間なら、ConvertAudioToTextのようなマネージドパイプラインが統合と前処理の負担を丸ごと取り除きます。規模とチームがあるなら、機能要件を満たす最安のAPIを直接統合しましょう。

高ボリュームに最適な音声テキスト化APIはどれか？

エンタープライズ規模では、AWS Transcribeの自動ボリューム割引（月500万分超で1分あたり$0.0078まで低下）が、営業電話なしでも競争力を持ちます。特に音声がすでにS3にある場合はなおさらです。クラウドに縛られないなら、AssemblyAIは全ボリューム層でリスト価格が安く、その上でカスタムのエンタープライズ料金も交渉できます。この規模では全リスト価格を出発点と見なしてください。どのプロバイダーも交渉に応じるからです。