2026年版 文字起こし料金比較:AI・人力・エンタープライズ

2026年の文字起こし料金は、実に3桁もの開きがあります。同じ1時間の音声でも、開発者向けAPIなら$0.26、高価格帯の人力サービスなら$90かかることがあります。料金モデルは表面上の金額と同じくらい重要です。従量課金(分単位)は利用量に比例してコストが増えるのに対し、定額プランはコストに上限があるからです。本記事では、主要サービスごとの料金、料金体系の仕組み、そしてどのモデルがどのユースケースに合うのかを解説します。

3つの料金体系

文字起こしサービスの料金モデルは、必ず次の3つのいずれかに分類されます。

分単位(または時間単位)の従量課金

処理する音声の分数ごとに支払う方式です。単価は小さい(1分あたり数セント)ものの、請求額は利用量に比例して増えていきます。エンタープライズ向けAPIの多くはこの方式です。

向いている人:月に数時間しか必要としない低利用ユーザーと、利用量が予測できる大量利用のエンタープライズ。

定額無制限

月額サブスクリプションを支払えば、音声を好きなだけ処理できます。使えば使うほど単価は下がります。

向いている人:月に5時間以上処理する定期的なユーザー。従量課金では月額サブスクリプションを超えてしまうケースです。

ハイブリッド型

月間上限付きの無料枠(多くは30〜60分)があり、それを超えると定額プランに移行する方式です。無料の入り口と定額の予測可能性を兼ね備えています。

向いている人:大多数の個人ユーザーと小規模チーム。評価は無料で行い、本格利用が決まったら固定コストになります。

主要AIサービスの比較

2026年のAI文字起こしの表面価格を直接比較します。

ここから2つのことが見えてきます。開発者向けAPI層(Deepgram、Whisper API、AssemblyAI)は分単位では常に最安で、1時間あたり$0.50を切ることがほとんどです。一方、コンシューマー向けサービスは分単価こそ大幅に高いものの、UI、エクスポート、各種連携がセットになっています。

ベンダーごとの個別比較については、各比較ページで詳しく解説しています:TurboScribeの代替サービス、Otter AIの代替サービス、Happy Scribeの代替サービス、Revの代替サービス。

人力文字起こしの料金

難しい音声における精度では、人力文字起こしが今もゴールドスタンダードです。料金にはその労力が反映されています。

「AI+人によるレビュー」のティアは、相応のコスト上乗せと引き換えにほぼ完璧な精度を実現します。ただ、大半のユースケースでは、クリーンな音声に対する最新AIの精度は十分高く、人力分の割増コストに見合いません。例外は法務、医療、そして精度が決定的に重要なメディア業務です。

エンタープライズ・大量利用向け料金

大量利用ユーザー(月1,000時間以上)に対しては、主要APIプロバイダーがいずれもカスタム料金を提供しています。割引幅は大きくなり得ます:

• 表面上の分単価から20〜50パーセントのボリュームディスカウント。
• 予測可能なワークロード向けの予約キャパシティ料金。
• さらなる割引と引き換えの年間コミットメント。

この規模のエンタープライズでは、文字起こしを内製化する(自社インフラでWhisperなどを動かす)か、ボリュームディスカウント付きのマネージドサービスを使うかの選択になるのが普通です。損益分岐点は運用体制の成熟度に大きく左右されます。詳しくはエンタープライズ向け文字起こし料金の記事で解説しています。

各価格帯で実際に得られるもの

料金比較は、各ティアで何が提供されるかを比べなければ不完全です。

1時間あたり$0.50未満(素のAPI層)

純粋な文字起こしのみ。UIなし、APIの生レスポンス以外のエクスポートなし、連携機能なし。その上に自社プロダクトを構築する開発者に最適です。

例:Deepgram、AssemblyAI、OpenAI Whisper API。

月$5〜$25(コンシューマー向け定額)

UI付きの文字起こし、エクスポート(SRT、VTT、TXT、DOCX)、基本的な編集機能、一般的なツールとの連携。話者ラベル、要約、場合によってはAIテンプレートも含まれます。

例:ConvertAudioToText($9.99)、TurboScribe($20)。

月$25〜$50(コンシューマー向けプレミアム)

上記に加えて高度な編集機能(Descript型のテキストベース編集)、洗練されたUI、より多くの連携、場合によっては簡易的な動画編集も。

例:Descriptのスターターティア、Happy Scribeのコンシューマープラン。

月$50〜$200(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)、利用上限の引き上げ、優先サポート、SSO。

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

1分あたり$1以上(人力文字起こし)

訓練を受けた人間による手作業の文字起こしで、精度は通常99パーセント以上。納期は遅めで、専門分野対応(医療、法務)の場合もあります。

例:Rev Human、TranscribeMe、GoTranscript Premium。

利用量別の1時間あたりコスト

大半の人が本当に必要としているのは、この損益分岐の分析です。

ほとんどの個人クリエイターや小規模チームにとっては、コンシューマー向け定額ティア(月$9.99〜$20)が最安の選択肢です。計算の詳細は文字起こしの1時間あたりのコストの記事で解説しています。

CATTの料金に関して言えば、$9.99の無制限プランは月5時間から数百時間まで、どんな利用量でも定額でカバーします。

注意すべき隠れコスト

表面上の料金だけでは、コストの全体像はつかめません。実際のコストを大きく左右し得る要素をいくつか挙げます。

ストレージ料金。一部のサービスは、文字起こしや音声を長期間システム内に保管することに対して課金します。ファイル数が多いユーザーには無視できない金額になります。

エクスポート料金。一部のサービスは、プレミアム形式のエクスポートごとに課金します。最近のツールの大半は、すべての形式を基本料金に含めています。

超過料金。「分単位」で請求するツールには、想定量を超えた場合に隠れた超過料金が発生するものがあります。

連携料金。文字起こしをSalesforce、HubSpotなどのシステムに取り込むには、文字起こし側または取り込み先側でプレミアムティアの契約が必要になることがあります。

多言語料金。英語以外の文字起こしに割増料金を課すサービスもあります。最近のツールの大半(ConvertAudioToTextを含む)は、すべての言語を同一料金にしています。

詳しくは文字起こしサービスの隠れコストの記事で解説しています。

無料枠の比較

多くのサービスが無料枠を提供していますが、その内容には差があります。

CATTの無料枠は、月60分・機能制限なしと、コンシューマー向けの無料オプションの中でも特に実用的な部類です。標準的な入り口は無料の英語文字起こしページです。比較として、無料の文字起こしは使う価値があるのかの記事でトレードオフを詳しく解説しています。

有料に切り替えるべきか、無料のままでいいか

正解は、利用量と必要な機能によって変わります。

無料のままでいい場合:月の文字起こしが60分未満、主な用途が手早いデモや単発の文字起こし、無料枠の機能セットで支障がない。

定額プランを選ぶべき場合:月に数時間以上文字起こしする、プレーンテキスト以外のエクスポートが必要、信頼できる話者ラベルが必要、処理時間の優先を求める。

分単位の従量課金を選ぶべき場合:利用量が変動し、ゼロになる月もある、自社プロダクトに文字起こしを組み込んでいる、スケール時のボリューム料金が必要。

人力を選ぶべき場合:法的にセンシティブな文字起こしがある、AIの精度低下が実証されている音声がある、手作業のレビューなしで99パーセントの精度が必要。

判断ロジックは文字起こしにお金を払うべきタイミングの記事で解説しています。

まずはどこから始めるか

ほとんどのユーザーにとって、最も安く素早く評価する方法は、ニーズに最も近い定額プロバイダーの無料枠を使うことです。代表的なファイルをいくつか処理して、精度と機能セットが合うかを確かめ、うまくいく確証が得られてから有料プランに移行しましょう。CATTの60分無料枠があれば、一般的なユースケースの大半はテストできます。有料ティアの内容は料金ページで確認できます。