2026年音声文字起こしAPI比較、開発者向け意思決定マトリクス

間違った文字起こしAPIを選ぶと、必要以上に5倍のコストを払い、必要な言語の半分しか使えず、英語でしか動かない機能を前提にシステムを組む羽目になる。 この記事では、主要プロバイダーを実測の価格、精度ベンチマーク、統合パターンで比較し、1回読めば判断できるようにまとめた。

対象は開発者と技術チーム。SaaSツールの買い手側の比較ではなく、API統合の話が欲しいなら、2026年最強の音声文字起こしAPIの概要から始めてほしい。

2026年の市場の構図

本番APIトラフィックの大半を担うのは、Deepgram、AssemblyAI、OpenAI（gpt-4o-transcribe）、AWS Transcribe、Google Cloud STTの5社。それぞれに明確なニッチがある。

主な違い:

• バッチ処理の1分あたりコスト: $0.0025（AssemblyAI Universal-2）から$0.016（Googleリアルタイム標準）まで幅がある
• ストリーミング遅延: Deepgramは300ms未満、他社は300msから800ms、またはストリーミング非対応
• 対応言語数: OpenAIは99以上、Deepgramは10〜30で強み、AWSは約30
• 機能の深さ: AssemblyAIは話者分離、機密情報の編集、エンティティ検出、要約をバンドル。他社は追加料金か非対応

以下の価格は、特に断りがない限り、従量課金、バッチ（録音済み）、英語音声のもの。2026年7月に各社の公式ページで確認済み。

プロバイダー別の詳細

Deepgram Nova-3

Nova-3はストリーミング速度の王者。 バッチ（録音済み）は$0.0043/分（英語、従量課金）、ストリーミングは$0.0077/分（標準）。Growthプランなら年間$4,000以上の契約でバッチが$0.0036/分になる。Deepgramは秒単位で課金し、切り上げなし。

Nova-3 Multilingual（非英語）はバッチで$0.0092/分と割高。非英語のボリュームが多いなら、多言語サーチャージでOpenAIとの価格差がどう変わるか確認したほうがいい。

話者分離モデルは2026年に大きなv2アップデートを受けました。Deepgramは、サイドバイサイド評価でv2がv1より3.3倍好まれたと報告しており、最も大きな改善はコンタクトセンター音声で見られました。有効化はdiarize_model=nova-3で行います。

Deepgramは、本番テストセット（2,703ファイル、9ドメイン）でNova-3バッチのWER 5.26%を主張しています。品質面でサポートされる言語はNova-3で約30言語、2026年にヨーロッパと東南アジアの単一言語が10言語新たに追加されました。

無料クレジット: $200、クレジットカード不要。

向いている用途: リアルタイム音声エージェント、コールセンター、ストリーミング遅延が重要になるあらゆるアプリ。大量の非同期バッチ処理を高ボリュームで行う場合、最も安い選択肢ではありません。

AssemblyAI Universal-2 と Universal-3 Pro

AssemblyAIは、英語向けの検証済みバッチ処理で最安値、Universal-2で$0.0025/分（$0.15/時）です。 Universal-3 Proは$0.0035/分（$0.21/時）で、公開されている最高精度を誇る6言語に対応しています。注意点として、AssemblyAIのリージョン内価格は2026年7月1日より10%値上げされましたが、リクエストに"model_region": "global"を追加すれば回避できます。

AssemblyAIの2026年6月ベンチマーク（80,000以上のファイル、26データセット、OpenAIテキスト正規化）によると、Universal-3 Proは録音済み英語音声でWER 4.5%を記録。同じベンチマークでDeepgram Nova-3は6.66%でした。これらの数値はAssemblyAI自身のテストスイートによるものなので、中立的な第三者評価ではなく、あくまで方向性を示すものとして捉えてください。

機能アドオンは基本文字起こし料金に上乗せされます。非同期での話者分離は$0.02〜$0.065/時。PII編集は$0.08/時。コンテンツモデレーションは$0.15/時。要約は$0.08/時。話者分離と編集を施した英語の文字起こしなら、合計で約$0.30/時になります。

ストリーミング（Universal-Streamingモデル）: $0.15/時、オーディオ時間ではなくWebSocket接続時間で課金されます。60分間接続を開いたまま、そのうち30分だけ音声が流れた場合、60分分が請求されます。遅延に敏感なインタラクティブアプリでは、その点を織り込んで計画してください。

無料クレジット: $50、クレジットカード不要。

向き: 大量の非同期バッチ処理、英語優先のパイプラインで、要約・エンティティ抽出・モデレーションといった機能の幅が重要な場合。非英語のストリーミングには不向き。

OpenAI（gpt-4o-transcribe と gpt-4o-mini-transcribe）

多言語バッチ処理なら、gpt-4o-transcribe が1分あたり$0.006で、99以上の言語に対応する最も信頼できる選択肢です。 ミニ版は$0.003/minと半額になりますが、精度はやや落ちます。OpenAIの料金ページでは、両方とも現行モデルとして掲載されています。

リアルタイムストリーミングには、gpt-realtime-whisper（2026年5月リリース）が専用ルートで、$0.017/minです。WebSocket経由で接続し、話者が話すと同時に文字起こしの差分を配信します。

「Whisper APIにはストリーミングがない」という古い主張はもう時代遅れです。現在はリアルタイム経由でストリーミングが可能ですが、バッチよりは割高です。

今も残る制限: ホスト型APIは標準バッチで1リクエストあたり25 MBのファイルサイズ上限があります。gpt-4o-transcribeにはネイティブの話者分離機能がありません（別のdiarizeバリアントが存在します）。ネイティブのAI要約機能もなし。標準のコンシューマー向けAPIはHIPAA対象外です。

OpenAIの音声モデルの完全な料金内訳は、OpenAI Whisper APIの料金2026をご覧ください。

向き: 多言語の文字起こし、すでにOpenAI APIスタックを使っているアプリ、言語カバレッジがコストより優先されるシナリオ。

AWS Transcribe

AWS Transcribeのバッチ料金$0.006/min（米国東部、標準）は競争力がありますが、すでにAWSスタックに投資している場合にのみ意味があります。 ストリーミングは$0.01/minです。ボリュームディスカウントは25万分から適用され（ティア2: $0.0186/min、38%オフ）、医療用文字起こしはバッチ$0.075/min、ストリーミング$0.15/minです。すべての使用量は1秒単位で課金され、1リクエストあたり最低15秒からです。

精度は、同等のクリーンな音声ベンチマークでDeepgramやOpenAIに一歩及ばない。本当の価値は統合のしやすさにある。S3トリガー、KMS暗号化、IAMロール、CloudWatchログ、PrivateLinkがすべてネイティブに動作する。すでにAWSでTextractやComprehendを運用している医療チームにとって、ネイティブ統合は数週間分のグルーコード作業を削減してくれる。

AWS TranscribeはHIPAA対象（BAA取得可能）。カスタム語彙とカスタム言語モデルは利用できるが、アドオンとして別途課金される。

全ボリューム層の料金内訳は、AWS Transcribe料金2026を参照。

こんなチーム向け: AWSネイティブ構成、HIPAA対象ワークロード、すでにエコシステム内で規制産業に携わっている企業。

Google Cloud STT（Chirp 2）

Googleの最も魅力的な料金は、動的バッチ処理の$0.003/分だが、24時間のターンアラウンドを受け入れる必要がある。 V2 API経由のリアルタイム標準は$0.016/分で、ボリュームに応じて割引される（50万分以上: $0.01/分）。Chirp 2モデルは標準料金に含まれ、プレミアムは不要。さらに、元のChirpに比べてワードレベルのタイムスタンプとモデル適応が追加されている。

請求上の注意: Googleは秒単位で切り上げる（旧V1 APIの15秒単位ではない）。マルチチャンネル音声はチャンネルごとに課金されるため、ステレオファイルではコストが2倍になる可能性がある。

無料枠: 新規・既存アカウントとも毎月60分が継続的に利用可能。さらに、新規GCPアカウントには初回90日間で$300のクレジットが付与される。

Google Cloud STTはBigQuery、Vertex AI、Pub/Subとの相性が良く、すでにGCPインフラを運用しているチームは、AWSチームと同じ統合によるコスト削減の恩恵を受けられる。

こんなチーム向け: GCPネイティブチーム、非同期バッチ処理のターンアラウンドに耐えられるワークロード、Googleの多言語Chirpカバレッジを必要とするアプリケーション。

実際のバッチボリュームでの料金比較

バッチ処理、英語音声、従量課金ティア。CATTは定額月額プラン（分単位ではない）のため、分単位の軸には表示されない。

AssemblyAI U2

$0.0025

AAI U3 Pro

$0.0035

OpenAI mini

$0.003

GCP dyn. batch

$0.003

Deepgram N3

$0.0043

OpenAI 4o-T

$0.006

標準英語バッチ文字起こしの従量課金レート。出典：各ベンダーの価格ページ、2026年7月確認。

ストリーミング料金の比較

リアルタイムのユースケースでは、コストの状況が大きく変わります。

注意：AssemblyAIのストリーミングは音声時間ではなく接続時間で課金されます。セッションの半分がアイドル状態でも、コストは発生し続けます。

機能比較マトリックス

ConvertAudioToText APIの音声文字起こしアップロードインターフェース

個別の料金モデルを詳しく見たい場合は、音声認識APIの料金2026と文字起こし料金モデルの解説をご覧ください。

開発者向け意思決定マトリックス

判断基準:

音声エージェントやライブキャプションで300ms未満のストリーミングが必要な場合。 Deepgram Nova-3。この価格帯でレイテンシーが匹敵するものは他にありません。

バッチ処理のコストを最優先し、英語が主要言語の場合。 AssemblyAI Universal-2、$0.0025/分。話者分離を追加しても、1時間あたり$0.30未満に収まります。

99言語対応で確かな精度が必要な場合。 OpenAI gpt-4o-transcribe、$0.006/分。多言語ベンチマークは、どの競合よりも多くの言語ペアで優位性を保っています。

英語で最大限の精度を求め、多少の割増料金を許容できる場合。 AssemblyAI Universal-3 Pro（2026年6月のベンチマークでWER 4.5%、対応言語は6つ）。

すでにAWSエコシステムを利用しており、HIPAA準拠が必要な場合。 AWS Transcribe。$0.006/分で、ネイティブのS3、KMS、IAMとの統合による節約が精度の差を補って余りあります。

GCPで運用しており、処理に時間的制約がない場合。 Google Cloudのダイナミックバッチ、$0.003/分は、24時間以内の納品で問題ないなら非常に魅力的です。

AI要約とエンティティ検出を、別途LLMを組み込むことなく1回のAPIコールで実現したい。 AssemblyAI。アドオン課金モデルなので、有効にした機能に対してのみ支払うことになる。

統合を構築せずにクリーンな文字起こしだけが必要で、サインアップ不要で数分で結果が欲しいなら、ConvertAudioToTextはAPIキーなしで音声、動画、会議、YouTubeリンクを処理する。Businessプランでは、大規模に統合するチーム向けにAPIアクセスとウェブフックが追加される。従量課金ではなく定額月額制なので、不定期の低ボリュームなワークロードよりも、定期的で予測可能なボリュームがあるチームに数学的に有利だ。

移行パターン

単一ルートの直接切り替え。 一度に1つのエンドポイントを置き換える。候補プロバイダーにトラフィックの10%をシャドウパイプラインで1週間送り、実際の音声サンプルでWERを比較してから、切り替える。

ボリューム閾値を超えた場合のコスト主導の移行。 従量課金プロバイダーを利用していてコストが上昇している場合、月間の音声時間を計算する。AssemblyAI Universal-2の$0.15/hrは、高価格帯の代替サービスとのクロスオーバーが非常に短い。

機能主導の移行。 素の文字起こしAPIからAssemblyAIに移行して組み込みの要約を利用するのは、素のAPIとトランスクリプトごとの別途GPT-4oコールを実行するよりも通常は安い。現在のトランスクリプトごとのLLM支出で数字を計算してみてほしい。

並行テストは、かかる1時間の価値が常にある。 実際の音声タイプ（クリアな発話、ノイズあり、アクセントあり、多言語）から代表的なファイルを10個選び、全候補を実行して、出力をグラウンドトゥルースと比較する。ラボのベンチマークやベンダーのブログ記事は、あなたの特定の音声に対する精度を予測しない。

このマトリックスをチームと共有するためのパーマリンクが必要なら、文字起こしAPI比較2026を参照。

FAQ

2026年で最も分あたりコストが低い文字起こしAPIはどれか？

AssemblyAI Universal-2は、従量課金制のバッチ処理オプションの中で最安で、$0.0025/分（$0.15/時）です。Google Cloud STTは動的バッチモード（$0.003/分）でのみこれに勝りますが、24時間のターンアラウンド時間がかかります。Deepgram Nova-3のバッチ処理は$0.0043/分、OpenAI gpt-4o-mini-transcribeは標準ファイルアップロードで$0.003/分です。

DeepgramとAssemblyAI、どちらの精度が優れているか？

AssemblyAI自身の2026年6月のベンチマーク（80,000以上のファイル、OpenAIノーマライザー使用）によると、Universal-3 ProはWER 4.5%に対し、Deepgram Nova-3は6.66%です。Deepgramが公表しているNova-3の数値はWER 5.26%です。これらは自己申告なので、参考程度に捉えてください。どちらもクリーンな英語音声では95%を余裕で超えます。

最も多くの言語に対応しているAPIは？

OpenAIのgpt-4o-transcribeは99以上の言語を妥当な品質でサポートしています。AssemblyAI Universal-2も99言語に対応。Deepgram Nova-3は英語と約30言語に対応しますが、上位10言語以外では品質が低下します。AWS Transcribeは約30言語、Google CloudのChirp 2モデルは100以上の言語を品質にばらつきがありながらカバーしています。

リアルタイムストリーミングに最適な文字起こしAPIは？

リアルタイムではDeepgramがリードしています。Nova-3ストリーミングAPIは$0.0077/分で300ms未満のレイテンシーを実現します。OpenAIのgpt-realtime-whisper（$0.017/分）は新しく、ライブキャプションや音声アシスタントのフロー向けに設計されています。AssemblyAIのUniversal-Streamingモデルは約$0.15/時で、サブ秒のレイテンシーです。AWS Transcribeストリーミングは$0.01/分で、AWSエコシステム内にいるなら最も簡単に接続できます。

これらのAPIを試すのにクレジットカードは必要？

Deepgramはクレジットカード不要で$200分の無料クレジットを提供。AssemblyAIもカードなしで$50分の無料クレジットがもらえます。OpenAIはAPIキーを取得するのにクレジットカードが必要です。AWS Transcribeは12ヶ月間毎月60分無料ですが、AWSアカウントと請求設定が必須。Google Cloudは毎月60分の無料利用が継続的に付与され、さらに新規アカウントには$300分のクレジットがあります。

HIPAA準拠の文字起こしAPIは？

AWS Transcribe（ビジネスアソシエイト契約付き）、AssemblyAI Enterprise、Google Cloud Speech-to-Text（BAA付き）は、いずれもHIPAA準拠の道を提供しています。Deepgramはエンタープライズ顧客向けにHIPAA BAAを提供しています。OpenAIのホスト型APIとConvertAudioToTextは、現時点ではHIPAA認証を受けていません。

出典

• Deepgram料金ページ: https://deepgram.com/pricing（2026年7月確認）
• AssemblyAI料金ページ: https://www.assemblyai.com/pricing（2026年7月確認）
• AssemblyAIベンチマーク: https://www.assemblyai.com/benchmarks（2026年6月8日更新）
• OpenAI API料金: https://developers.openai.com/api/docs/pricing（2026年7月確認）
• Amazon Transcribe料金: https://aws.amazon.com/transcribe/pricing/（2026年7月確認）
• Google Cloud Speech-to-Text料金: https://cloud.google.com/speech-to-text/pricing（2026年7月確認）
• Deepgram Nova-3紹介: https://deepgram.com/learn/introducing-nova-3-speech-to-text-api
• OpenAI音声モデル発表: https://openai.com/index/advancing-voice-intelligence-with-new-models-in-the-api/