文字起こし料金2026: 1時間あたり0.15ドルのAPIから120ドルの人間による作業まで

2026年の文字起こし料金は、3桁もの価格差があります。同じ1時間の音声でも、開発者向けAPIなら約$0.46、人間による文字起こしサービスなら最大$120かかります。見かけ上の数字と同じくらい、料金体系の仕組みが重要です。従量課金は利用量に比例してコストが伸びる一方、定額プランはコストの上限を固定できます。この記事では、各主要サービスの現在の料金、その仕組み、そしてどのモデルがどの用途に合うかを解説します。ここに記載する数字はすべて各ベンダーの公式料金ページで確認済みで、出典は記事末尾にリンクしています。

要点まとめ

文字起こしの料金体系は3種類しかなく、どれを選ぶべきかは月間の利用量で完全に決まります。

• 月に数時間未満: 無料枠か従量課金を利用。DeepgramやOpenAIなどの開発者向けAPIは、音声1時間あたり約$0.36から$0.46。
• 月に数時間から数百時間: 定額の消費者向けプラン（月額$10から$20）がほぼ常に最安です。従量課金だとサブスクリプション料金を超えてしまうためです。
• 法的・医療的に機密性の高い音声: 人間による文字起こし（1分あたり$1.50から$2.00、1時間あたりおよそ$90から$120）を選び、手動レビューなしで99%の精度を確保します。

私の見解を一言で: 月に3〜4時間以上文字起こしをするなら、そしてAPI上にプロダクトを構築しているわけではないなら、定額無制限プランがメーターを排除し、計算の手間も消えます。私はConvertAudioToTextを運営しているので、これは開示済みのバイアスとして受け取ってください。以下の比較では、競合が本当に勝っている点も明記しています。

3つの料金体系

すべての文字起こしサービスは、次の3つの料金モデルのいずれかを使っています。

分単位（または時間単位）の従量課金

処理する音声1分ごとに料金が発生します。単価は小さく（開発者向けAPIでは1分あたり1セント未満）、しかし請求額は利用量に比例して増えていきます。ほとんどのエンタープライズ向けや開発者向けAPIはこの方式で、多くは秒単位で請求されるため、1分未満で切り上げられることはありません。

最適なのは: 月に数時間しか使わない低利用者、そして利用量が予測可能でボリュームディスカウントが効く高利用のエンジニアリングチームです。

定額無制限プラン

月額料金を支払えば、処理する音声の量は無制限です。利用量が増えるほど実質単価は下がるので、文字起こしすればするほどお得になります。

最適なのは: 月に5時間以上処理する定期的な利用者で、分単位の料金だと月額サブスクリプションを超えてしまう場合です。

ハイブリッド型プラン

無料枠（一般的に10分から300分の月間上限）があり、それを超えると従量課金または定額プランに移行します。無料の導入しやすさと、サブスクリプションの予測可能性を組み合わせた形です。

最適なのは: ほとんどの一般消費者と小規模チームです。評価は無料、本格的に使うなら固定費で済みます。

主要AIサービスの比較

2026年のAI文字起こしの主要価格を直接比較します。1時間あたりの数字はすべて、公表されている1分あたりの料金を定価で計算したもので、ボリュームディスカウントは考慮していません。

| サービス | 料金モデル | 1時間あたりのコスト（定価） | 備考 | |---|---|---|---|---| | OpenAI Whisper API | 分単位 | 約$0.36/時間（$0.006/分） | 旧型のWhisperエンドポイント、定額料金 | | OpenAI gpt-4o-transcribe | 分単位 | 約$0.36/時間（$0.006/分） | 新しいモデル、話者分離も同料金に含まれる | | OpenAI gpt-4o-mini-transcribe | 分単位 | 約$0.18/時間（$0.003/分） | OpenAIで最も安い選択肢 | | Deepgram Nova-3 | 分単位 | 約$0.46/時間（$0.0077/分、モノラル） | 秒単位の課金、Growthプランでは約$0.39/時間 | | AssemblyAI Universal-2 | 分単位 | 約$0.15/時間（基本） | 話者分離、感情分析、要約を追加すると約$0.22/時間 | | AssemblyAI Universal-3.5 Pro | 分単位 | 約$0.21/時間（基本） | model_region: globalを設定しない限り、2026年7月1日から地域内で+10% | | Google Speech-to-Text | 分単位 | 約$0.96/時間（標準、$0.016/分） | バッチエンドポイントでは約$0.24/時間、最初の60分/月は無料 | | AWS Transcribe | 分単位 | 約$1.44/時間（$0.024/分） | 利用量が増えると大幅に割引 | | Azure Speech | 分単位 | 約$1.02/時間（$0.017/分） | 標準ティア | | Rev AI | 分単位 | 約$15.00/時間（$0.25/分、PAYG） | Rev Maxサブスクリプションでは約$1.50/時間（約$0.025/分） | | ConvertAudioToText | 定額 | 月額$9.99、年額$99.99 | 時間無制限、サインアップ時に10分無料 | | TurboScribe | 定額 | 年額$10/月、月額$20/月 | 無制限、無料で1日3ファイル（各30分まで） | | Otter | 段階制 | 1席あたり月額$8.33〜$30 | 月1,200〜6,000分、無制限ではない | | Happy Scribe（AI） | 分単位／段階制 | 約$12.00/時間（$0.20/分） | サブスクリプションの分枠で実質コストが下がる |

AssemblyAI

$0.15/hr

OpenAI 4o-mini

$0.18/hr

AssemblyAI 3.5 Pro

$0.21/hr

OpenAI Whisper

$0.36/hr

Deepgram Nova-3

$0.46/hr

2026年の定価、1時間あたり。低い方が安い。

ここで2つの点が浮き彫りになる。 開発者向けAPI層（Deepgram、OpenAIモデル、AssemblyAI）は、一貫して1分あたりのコストが最も安く、1時間あたり$0.50未満に収まることが多い。一方、消費者向けアプリは紙面上の1分あたりの料金がはるかに高いが、UI、書き出し、編集、話者ラベル、要約、統合機能がバンドルされており、生のAPIには含まれない。もう1つ見落としがちな点として、安価なAPIの見出し料金は基本料金だということ。AssemblyAIの$0.15/時間は、話者分離、感情分析、要約を追加すると約$0.22/時間になり、Deepgramのモノラル料金はマルチチャンネル音声ではさらに高くなる。同じ条件同士で比較しよう。

ベンダー別の詳細な内訳については、各ページで詳しく解説している：TurboScribeの代替、Otter AIの代替、Happy Scribeの代替、Revの代替、Descriptの代替。生のAPI料金の詳細は、OpenAI Whisper APIの料金とDeepgram Nova-3の解説でさらに掘り下げている。

人間による文字起こしの料金

人間による文字起こしは、難しい音声でも正確性のゴールドスタンダードであり続けている。料金はその労働量を反映している。

「AIプラス人間によるレビュー」の層は、かなりの追加コストを払ってほぼ完璧な精度を実現します。 ほとんどの用途では、クリーンな音声に対する現代のAI精度は十分高く、人間のレビューに追加料金を払う価値はありません。例外は、法的、医療、そして精度が命のメディア業務です。そこでは、一語の聞き逃しが意味を変えてしまい、最終的に責任を持てる人間が必要になります。

エンタープライズ向けおよびボリュームディスカウント価格

月間1,000時間以上の高ボリュームユーザー向けに、主要なAPIプロバイダーはすべてカスタム価格を提供しており、その割引は実際に効きます。

• 表示価格から20〜50パーセントのボリュームディスカウント。たとえばAWS Transcribeは、500万分の利用枠で0.024ドル/分から約0.0078ドル/分まで下がります。
• 予測可能なワークロード向けのリザーブドキャパシティ価格。
• 年間契約を結ぶことでさらなる割引。
• DeepgramのGrowthプランは、カスタム交渉なしでもすでに分単位のレートを削減しています。

この規模の企業では、文字起こしを社内に取り込むか（Whisperのようなオープンソースモデルを自社GPUで運用）、ボリュームディスカウントのあるマネージドサービスを使うかの選択になります。Whisperのセルフホスティングは、計算コストだけで見ると1分あたり約0.006ドルまで近づけられますが、GPU時間、エンジニアリング、稼働時間を考慮すると、損益分岐点は運用の成熟度に大きく左右されます。このトレードオフの詳細は、エンタープライズ向け文字起こし価格の記事で取り上げています。

各価格帯で実際に得られるもの

価格比較は、各プランが何を提供するかを比較して初めて意味を持ちます。

1時間あたり0.50ドル未満（生APIプラン）

純粋な文字起こしのみで、UIなし、APIレスポンス以外のエクスポートなし、内蔵エディタなし。自社製品をその上に構築する開発者向け。

例: Deepgram Nova-3、AssemblyAI、OpenAI gpt-4o-transcribe。

月額10〜20ドル（消費者向け定額制）

UI付きの文字起こし、エクスポート（SRT、VTT、TXT、DOCX）、エディタ、話者ラベル、要約、一般的なツールとの連携。一部のプランでは、ユースケースに合わせたAIテンプレートも追加される。

例: ConvertAudioToText（月額$9.99、年払いなら$99.99）、TurboScribe（年払いで月額$10）。

月額25〜50ドル（消費者向けプレミアム）

上記に加えて、高度な編集（Descriptスタイルのテキストベース編集）、洗練されたUI、より多くの連携、場合によっては軽い動画編集も含む。

例: DescriptのCreatorおよびBusinessプラン、Happy ScribeのProおよびBusiness。

月額50〜200ドル（ビジネス向け）

上記に加えて、チーム機能（共有ワークスペース、管理者コントロール）、より高い利用上限、優先サポート、SSO。

例: Otter Business、Descript Business、Happy Scribe Business、CATT Business。

1分あたり1.50ドル以上（人間による文字起こし）

訓練された人間が手作業で文字起こし。通常は精度99%以上。納期は遅めで、医療や法律分野に特化したものもある。

例: Rev Human、Happy Scribe Human、TranscribeMe、GoTranscript。

利用量別の1時間あたりコスト

損益分岐点の分析こそ、多くの人が実際に必要としているものだ。

ほとんどの個人クリエイターや小規模チームにとって、定額制の無制限プラン（月額9.99ドルから20ドル）が最安の選択肢になるのは、月に大体3〜4時間を超えた瞬間です。 1時間あたりの文字起こしコストに関する投稿で計算の詳細を解説していますし、無制限プランと従量課金プランの比較では、それぞれが有利になるケースを扱っています。

CATTの料金ページに限って言えば、Proプランは月額9.99ドルの月払い、または年払いなら年間99.99ドルで無制限の文字起こしが可能で、月5時間から数百時間まで固定費でカバーできます。他にも、ライトユーザー向けのStarterプラン（年払い月5.99ドル、2時間）、Developerプラン（年払い月15.99ドル、10時間プラスAPIキー）、Businessプラン（年払い月47.99ドル、無制限プラスwebhookと分析機能）、そしてシート単位のTeamプランがあります。

見落としがちな隠れコスト

表向きの料金だけでは、実際のコスト全体は見えてきません。実際の費用を大きく変えうる要素がいくつかあります。

アドオン機能。 安価なAPIの基本料金は、通常は文字起こしのみです。話者分離、感情分析、要約、翻訳は、別途課金されることが多いです。AssemblyAIの基本料金は1時間あたり0.15ドルですが、一般的なアドオンを有効にすると約0.22ドルになります。

1会話あたりの上限。 OtterのProプランは月1,200分を許可していても、1つの録音は90分までという制限があります。そのため、長い講義や終日イベントは、1ファイルで上限に達する可能性があります。

保存と書き出しの料金。 一部のサービスでは、文字起こしや音声を長期間保存するのに料金がかかったり、プレミアム形式での書き出しごとに課金されたりします。最近のツールのほとんどは、基本料金に全形式が含まれています。

超過料金。 分単位で課金するツールでは、想定ボリュームを超えると超過料金が発生する場合があります。

多言語の追加料金。 一部のサービスでは、英語以外の文字起こしに追加料金がかかります。最近のツールのほとんど（ConvertAudioToTextを含む）は、99以上の言語すべてを同じ価格で提供しています。

私たちの記事「文字起こしサービスの隠れたコスト」で、これらについて詳しく解説しています。

無料プラン比較

多くのサービスが無料プランを提供していますが、品質と条件は大きく異なります。

カジュアルな利用にはTurboScribeの無料プランが最もお得です。1日3ファイル、各30分という条件は、毎日使えば月に約45時間分になり、開始時のアカウント障壁もありません。CATTの無料プランは、毎月補充されるのではなくサインアップ時に一度だけ10分が付与され、プレミアムエンジンで1日最大3ファイル（各10分）まで使えます。さらに、アカウントなしで実行できる10分のプレビューもあります。無料英語文字起こしページが標準的な入り口です。トレードオフについては、無料の文字起こしは価値があるかをご覧ください。

有料にするべきか、無料のままでいるべきか

正しい答えは、利用量と必要な機能によって変わります。

無料のままでいいのは： 録音が1本だけで継続的なニーズがない場合、簡単なデモや一回限りの文字起こしが目的の場合、そして一度きりの無料10分と7日間のトライアルで足りる場合です。

定額プランを選ぶべきなのは： 月に数時間以上文字起こしする場合、プレーンテキスト以外の書き出しが必要な場合、信頼できる話者ラベルが必要な場合、そして従量制なしでコストを予測したい場合です。

分単位の課金が向いている場合: 使用量が変動し、時にはゼロになることもある場合、文字起こしを自社製品に組み込む場合、またはスケールに応じたボリューム価格が必要な場合。

人間による文字起こしが向いている場合: 法的に機密性の高い文字起こしがある場合、AIの精度が記録的に失敗することが実証されている音声がある場合、そして手動レビューなしで99%の精度が必要な場合。

文字起こしにいつお金を払うべきか に関する記事で、その判断ロジックを詳しく解説しています。

実際にあなたに最適なサービスはどれか

どのツールもすべての軸で勝つわけではなく、作者自身の製品を最初に挙げる比較は疑って読むべきです。ここに正直な内訳を示します:

• TurboScribe は、匿名でサインアップ不要の無料プラン付きの無制限文字起こしと、最安の年間価格（月額$10）を求めるなら勝ちます。文字起こしを渡して、そこで終わりです。
• Otter は、Zoom、Google Meet、Teamsに自動で参加するボットによるライブ会議キャプチャが主なニーズなら勝ちます。上限とシート単位の価格設定がトレードオフです。
• RevとHappy Scribe（人間） は、法務、医療、放送業務向けに認定された人間によるチェック済みの精度が必要で、1時間あたり$90〜$120を負担できる場合に勝ちます。
• Deepgram、AssemblyAI、OpenAI API は、自社アプリに文字起こしを組み込むエンジニアで、最も低い分単位コストを求めるなら勝ちます。
• ConvertAudioToText は、定額制の堅実な選択肢の1つです。年間請求ではTurboScribeより安く（$99.99/年 vs $120/年）、月額でも半分のコスト（$9.99 vs $20）で、AIテンプレート、アクション項目、フルエディター、そしてアフリカ言語への一流のサポートが追加されています。生の文字起こしだけが必要で他に何もいらないなら、より安いまたは無料のツールで十分かもしれません。

どこから始めるか

ほとんどのユーザーにとって、最速かつ最安の評価ルートは、自分のニーズに最も近い定額制プロバイダーの無料枠です。代表的なファイルをいくつか実行して、精度と機能が自分の音声に合うか確認し、実際に使えるという証拠が得られてから有料プランに移行しましょう。10分間のCATT無料枠と、アカウント不要の10分間プレビューで、一般的なファイルのほとんどはテストできます。料金ページには、各有料プランが提供する内容が正確に記載されています。

FAQ

2026年に音声1時間を文字起こしするのにかかる費用は？

開発者向けAPI（OpenAI、Deepgram）では1時間あたり約$0.36から$0.46、分単位で課金される消費者向けAIツールでは1時間あたり約$12から$15、人間による文字起こしでは1時間あたり$90から$120程度です。定額制の無制限プランでは、月額料金が一定なので、文字起こし量が増えるほど1時間あたりのコストはゼロに近づきます。

音声を文字起こしする最も安い方法は？

一度きりやごく軽い利用なら、無料枠が最安です（TurboScribeの1日3ファイル、またはCATTの一度きりの10分無料）。月に数時間以上使うなら、月額$10から$20程度の定額制無制限プランが最安です。分単位の課金だとサブスクリプション料金を超えてしまうからです。高ボリュームの開発者にとっては、Deepgramのような分単位API（1分あたり約$0.0077）が最も低い単価になります。

分単位課金と定額制、どちらが良い？

利用量によります。分単位課金は、月に3〜4時間未満しか文字起こししない場合や、利用が予測不能でゼロの月もある場合に安くなります。定額制は、その閾値を超えると安くてシンプルです。処理量に関係なくコストが上限で固定されるからです。ほとんどの消費者向けツールの分岐点は、月に3〜4時間あたりです。

なぜ人間による文字起こしはAIよりずっと高いのですか？

人間の文字起こしは、文脈の理解、話者の識別、複雑な専門用語やノイズの多い音声への対応、そして品質保証に時間と労力を要します。AIは高速で安価ですが、こうしたニュアンスや正確性のレベルにはまだ達していません。そのため、法的文書や学術研究、出版用のインタビューなど、正確さが最重要視される場面では、人間の専門家が依然として選ばれています。

人間による文字起こしは労働に対して価格が設定されています。1人の人間がすべての単語を聞き取ってタイプし、その後しばしば見直しを行います。Revは1分あたり$1.50から、Happy Scribeは1分あたり$2.00からで、1時間あたりおよそ$90から$120になります。AIはモデルで動くので、人間ではなく、同じ仕事をセント単位でこなします。99パーセントの精度を手動レビューなしで求める場合、通常は法務、医療、放送の仕事ですが、その際には人間のプレミアムを支払うことになります。

安価な文字起こしAPIに隠れたコストはあるか？

多くの場合、あります。表示されている料金は通常、文字起こしのみです。話者分離、感情分析、要約、翻訳は、しばしば別途請求されます。AssemblyAIの1時間あたり$0.15の基本料金は、話者分離、感情分析、要約を有効にすると、1時間あたり約$0.22に上がります。一部のプロバイダーは、マルチチャンネルや多言語オーディオでも追加料金を請求し、AssemblyAIのリージョン内料金は、グローバルリージョンをリクエストしない限り、2026年7月1日に10パーセント上昇します。常に、基本料金ではなく、実際に必要な機能に対して価格を確認してください。

ConvertAudioToTextの料金はいくらですか？

CATTは、サインアップ時に一度だけ10分の無料文字起こし分を提供し、1日最大3ファイル、各10分まで（さらにアカウントなしの10分プレビューも）利用できます。Proプランは月額$9.99の月払い、または年払いで$99.99で、99以上の言語での無制限の文字起こし、話者ラベル、AIテンプレート、すべてのエクスポート形式が含まれます。他にも、Starter（年払い$5.99/月、2時間）、Developer（年払い$15.99/月、10時間プラスAPI）、Business（年払い$47.99/月、無制限プラスウェブフック）、そしてシート単位のTeamプランがあります。

無料の文字起こしツールで十分か？

短く、きれいで、一回きりの音声なら、はい。現代のAIは明瞭な英語音声に対して高い精度を誇り、CATT、TurboScribe、Otterの無料プランは有料プランと同じ基盤モデルを使っています。制限されるのは量（CATTはサインアップ時に一度だけ10分、Otterは月300分、TurboScribeは1日3ファイル）と、場合によっては機能です。定期的に文字起こしをする、または書き出し、編集、話者ラベルを大規模に必要とするなら、定額の有料プランはすぐに元が取れます。詳しくは無料の文字起こしに価値はあるかの内訳をご覧ください。

最も正確な文字起こしサービスはどれですか？

難しい音声（強いアクセント、話者の重なり、録音状態の悪さ）には、RevやHappy Scribeの人間による文字起こしが依然として最も正確で、99パーセント以上を達成します。クリーンな音声では、その差は縮まっています。トップクラスのAIモデル（Deepgram Nova-3、AssemblyAI Universal、OpenAI gpt-4o-transcribe）は明瞭な発話で90パーセント台後半に達し、それらを基にした消費者向けツールもその精度を受け継いでいます。単一の精度数値を追いかけるのではなく、音声の品質に合わせてツールを選びましょう。