2026年のWhisper vs Google Cloud Speech-to-Text、どっちのAPIが勝つ？

2026年、OpenAI WhisperとGoogle Cloud Speech-to-Textのどちらを使うべきか。リアルタイムストリーミングや話者分離が今すぐ必要なら、Googleが勝ちます。1分あたりのコストが最安で、幅広い言語カバレッジを持つバッチ文字起こしが必要なら、Whisperが勝ちます。そして、緊急性のないバッチ処理がワークロードなら、GoogleのDynamic Batchティアは1分あたり約$0.004で、Whisper API自体を下回る価格になっています。

このガイドの残りでは、その理由を説明します。

短い結論

両サービスとも、前回の比較記事以降に大きく変わりました。GoogleのV2 APIとChirp 3モデルが、旧来のStandard/Enhancedティア構造を置き換えました。OpenAIは、今も利用可能なwhisper-1に加えてgpt-4o-transcribeを追加しました。そしてGoogleのDynamic Batchティアは、ほとんどの開発者がまだ気づいていない方法でコスト比較を覆しました。

要点は次の通りです。

• Google Standard with Chirp 3: $0.016/分、ストリーミング、話者分離、内蔵ノイズ除去機能を含む。もはや別の「Enhanced」ティアは存在しません。
• Whisper API (whisper-1): $0.006/分、バッチのみ、99言語対応、ネイティブの話者分離なし。
• Google Dynamic Batch: 約$0.004/分、24時間以内に結果が届く、ストリーミングなし。
• gpt-4o-mini-transcribe: $0.003/分、OpenAIの最安ホスティングオプション、whisper-1と同様のバッチ制約あり。

素早く決断するなら、バッチのみでコスト重視、多言語対応が必要ならWhisperから始めましょう。リアルタイム処理や管理されたエンタープライズサービスが必要なら、Google Cloud Speech-to-Textです。

異なる2つの哲学

価格を比較する前に、各サービスが実際に何であるかを理解するのが役立ちます。

OpenAI Whisper は、その重みがGitHubで公開されているオープンソースモデルです。開発者が「Whisper」と言うとき、それは自前のGPUで動くオープンソースモデルを指す場合もあれば、ホスト型のwhisper-1 APIエンドポイントを指す場合も、OpenAIの新しいgpt-4o-transcribeモデルのいずれかを指す場合もあります。コスト、制御、運用負担は、この3つの選択肢で大きく異なります。

Google Cloud Speech-to-Text は、完全マネージドのクラウドサービスです。音声を送信すると、Googleが処理し、結果が返ってきます。基盤となるモデルはダウンロードできません。その代わりに手に入るのは、本番運用に耐えるサービスです。リアルタイムストリーミング、話者分離、Chirp 3の100以上の言語対応、ノイズの多い音声向けの内蔵デノイザーなどが備わっています。公式ドキュメントに全機能が記載されています。

この哲学の違いが、他のすべてを形作ります。Whisperはマネージドの利便性を、柔軟性とコスト管理と引き換えにしています。Googleは制御を、洗練さと完全性と引き換えにしています。

横並び比較

料金の詳細

ここが2026年で最も比較が変わったポイントであり、数字を正確に把握しておく価値があります。

OpenAIのオプション

whisper-1エンドポイントは1分あたり$0.006の定額制で、秒単位で請求されます。OpenAIは現在、以下のオプションも提供しています:

• gpt-4o-transcribe: $0.006/分（同じ料金、whisper-1より精度が高いと主張）
• gpt-4o-mini-transcribe: $0.003/分（半額、重要度の低いバッチ処理向け）

3つともバッチ専用のエンドポイントです。OpenAIには別途リアルタイム音声プロダクトもありますが、約$0.017/分と、ライブ音声アプリケーション向けで価格帯がかなり異なります。

Google V2のオプション

Chirp 3を搭載したV2 APIは、Googleの価格体系をシンプルにしました:

• 標準（リアルタイムまたはバッチ）: $0.016/分、Chirp 3は追加料金なしで含まれます
• ダイナミックバッチ: 約$0.004/分、24時間以内に結果が届きます
• 医療用モデル: $0.078/分（ディクテーションおよび会話用、一般的な用途には適用外）
• 無料枠: 毎月60分間継続、さらに新規アカウントには$300のGCPクレジット

ダイナミックバッチ層は標準料金より約75%安くなります。計算すると約$0.004/分となり、Whisper APIの$0.006/分を下回ります。ポッドキャストのアーカイブ、メディアの文字起こし、一晩待てるあらゆるワークロードにとって、これは両プロバイダーの中で最もコスト効率の高いマネージドオプションです。

スケール時のコスト

gpt-4o-mini

$0.18/時

Googleバッチ

約$0.24/時

Whisper-1

$0.36/時

Google標準

$0.96/時

確認済み料金: gpt-4o-mini-transcribe $0.003/分、Whisper-1 $0.006/分、Googleダイナミックバッチ約$0.004/分、Google標準 $0.016/分。ダイナミックバッチは24時間のターンアラウンドが必要。Google標準にはChirp 3が含まれます。

月1,000時間の場合、Dynamic BatchはWhisperと比べて約$120、Google Standardと比べて約$720の節約になります。その代償として結果が出るまでに24時間かかりますが、多くのバッチ処理ワークロードはこの待ち時間を吸収できます。

文字起こしサービスの市場全体の料金をもっと広く見たい方は、文字起こし価格比較ガイドで、より多くのプロバイダーを横並びで紹介しています。

セルフホストというワイルドカード

Whisperをセルフホストすると、コスト構造がまったく変わります。モデルの重みは無料です。かかるのはGPUコンピュートの費用だけです。

AWSでは、g5.xlargeインスタンス（1x A10G、24GB VRAM）がオンデマンドで約$1/時間です。単一のA10G上のWhisper large-v3は、およそ100倍速で文字起こしできるため、GPU 1時間で約100時間分の音声を処理できます。フル稼働の場合、実効コストは音声1分あたり$0.002を大きく下回ります。

これは魅力的に聞こえますが、アイドル時間を考慮すると話は変わります。GPUが50%の稼働率で動いている場合、実効コストは1分あたり2倍になります。デプロイ、監視、スケーリングにかかるDevOpsのオーバーヘッドを加えると、Whisper APIとの損益分岐点は月500時間あたりになります。それ未満のボリュームなら、エンジニアリング時間をコストに含めると、ほぼ常にAPIの方が安上がりです。

セルフホストが明確に理にかなうのは、月500時間以上のボリュームがある場合、または音声を自社インフラの外に出せないデータ主権要件がある場合の2つのシナリオです。

文字起こしサービスの隠れたコストでは、GPU稼働率とインフラのオーバーヘッド計算についてより詳しく解説しています。

言語と音声タイプ別の精度

両サービスとも、クリーンな英語音声では高い精度を達成しています。2026年の違いはより微妙なところにあります。

Google Chirp 3のノイズの多い音声への対応。 Chirp 3モデルにはノイズ除去機能が組み込まれており、背景ノイズ、残響のある部屋、電話音声を従来のStandard/Enhancedアーキテクチャよりもうまく処理します。電話の通話やフィールド録音では、これは意味のある改善であり、標準の$0.016/分の料金に含まれていて、上位プランへのアップグレードは不要です。

多言語コンテンツにおけるWhisper。 Whisperは99言語、約68万時間の多言語音声でトレーニングされています。ウェールズ語、スワヒリ語、マレー語、カタルーニャ語のようなリソースの少ない言語では、Whisperが代替サービスを上回ることがよくあります。そのトレーニングデータセットが意図的に幅広さを重視して構築されているからです。Google Chirp 3は100以上の言語をカバーしていますが、完全にGA（一般提供）されているのは24言語で、残りはプレビュー段階です。紙面上のカバレッジと実際の精度は、それらのプレビュー言語では乖離します。

英語の直接対決。 クリーンなスタジオ音声、ポッドキャスト、録音状態の良い会議では、両サービスとも90%以上の単語精度で同等のパフォーマンスを発揮します。OpenAIはgpt-4o-transcribeがwhisper-1と比べて単語誤り率を低減すると主張しており、特にアクセントのある音声や難しい音声で顕著です。この主張は独立したベンチマークと一致していますが、その差は領域によって異なります。

私の見解: 導入を決める前に、ドメイン固有のパイロットテストを実施してください。法廷での証言録取の精度はカスタマーサポート通話の精度とは異なり、それはまた学会発表の精度とも異なります。公開されたベンチマークは出発点であり、採用判断の材料ではありません。

単語誤り率が本番環境で実際に何を意味するのかを深く知りたい方は、文字起こし精度の解説をご覧ください。

ストリーミングの問題

whisper-1 APIエンドポイントはストリーミングに対応していません。完全な音声ファイルをアップロードし、処理が完了するのを待ち、単一のレスポンスで完全な文字起こしを受け取ります。これは録音済みコンテンツには問題ありませんが、ライブ結果が必要なケースでは不適格です。

Google Cloud Speech-to-Textは、双方向gRPC接続による真のリアルタイムストリーミングを提供します。マイクやライブ配信から音声チャンクが届くたびに送信し、Googleが各セグメントを処理する間、ミリ秒単位で暫定結果を受け取れます。そのため、ライブキャプション、音声アシスタント、リアルタイム会議の文字起こしには自然な選択肢です。

Chirp 3とストリーミングに関する注意点として、Chirp 3モデルはStreamingRecognizeメソッドに対応していますが、Chirp 3での話者分離は現在、バッチ処理と同期認識モードでのみ利用可能です。ストリーミングと分離の両方が必要な場合は、パイプラインを構築する前に最新のドキュメントを確認してください。

セルフホストのWhisperは、faster-whisperなどのツールでオーバーラップする音声セグメントを使い、擬似的なストリーミングを実現できますが、Whisperは30秒チャンクのバッチモデルとして設計されています。工夫次第で回避は可能ですが、専用設計のストリーミングサービスが持つレイテンシーには到底及びません。

ストリーミングが必須要件なら、Google Cloud Speech-to-Textが実用的な選択です。

セルフホストWhisperの正直な評価

セルフホストなら、完全なデータプライバシー、分単位のコストなし、レート制限なし、そしてドメイン固有データでのモデル微調整が可能です。これらの利点は本物です。

コストもまた本物です。

• GPUインスタンスはオンデマンドで$0.75〜$1/時間、多くの場合それ以上
• モデルのデプロイ、スケーリング、監視、更新にかかるエンジニアリング時間
• 話者分離、カスタム語彙、ストリーミングは標準では非対応

セルフホストが価値を持つのは、月500時間以上の音声を安定した稼働率で処理する場合、またはコンプライアンス上の要件（HIPAA、厳格なGDPR解釈、防衛関連の契約）で音声が自社インフラから出てはいけない場合です。

月500時間未満なら、エンジニアリング時間を考慮すると、通常はWhisper APIやGoogle Dynamic Batchの方が安価です。ほとんどのスタートアップや中規模チームにとって、APIが正しい出発点です。

意思決定マトリクス

API統合を組まずに、音声や動画ファイルからきれいな文字起こしだけが必要なら、ConvertAudioToTextがコードなしでアップロード、文字起こし、エクスポートを処理します。

どう決めるか

次の4つの質問を順に考えてみてください。

リアルタイムのストリーミングが必要ですか？ 必要なら、Google Cloud STTです。whisper-1エンドポイントではこれができず、セルフホスト型Whisperのストリーミング対応はかなりのエンジニアリング負担がかかります。

バッチ処理で24時間の納期は許容できますか？ 許容できるなら、Google Dynamic Batchは約$0.004/分で、Whisper APIの$0.006/分より今は安くなっています。緊急でないバッチでは、従来のコスト優位が逆転しました。

90言語以上にわたる強い多言語対応が必要ですか？ 必要なら、Whisperです。低リソース言語に対するトレーニングの幅は、マネージドサービスではまだ追いついていません。

データプライバシーが法的に厳格な要件ですか？ そうなら、セルフホスト型Whisperが最もクリーンな道です。

これらのいずれでも明確な答えが出ない場合は、既存のインフラスタックに合うプロバイダーを選ぶのが無難です。GoogleはGCP環境に自然に統合されます。Whisperは、すでにHugging Faceライブラリを使っているPythonスタックにフィットします。どちらでも文字起こしはきちんと完了します。

全主要API（DeepgramやAWS Transcribeを含む）の分単位料金の詳細な内訳については、音声認識API料金ガイドで全体像をカバーしています。

よくある質問

OpenAI WhisperはGoogle Cloud Speech-to-Textより正確ですか?

クリーンな英語音声の場合、両者はほぼ互角です。Google Chirp 3は、内蔵のノイズ除去機能のおかげで、ノイズの多い録音ではわずかに優位に立ちます。低リソース言語では、Whisperの方が良い結果を出す傾向があります。トレーニングセットが99言語を深い多言語データでカバーしているからです。正直な答えは、公開されているベンチマークよりもドメイン固有の要素が重要なので、コミットする前に自分の音声で50サンプルのテストを実行することです。

Whisperをライブ会議の文字起こしに使えますか?

whisper-1 APIエンドポイントでは無理です。バッチ専用で、ファイルサイズ上限は25MBです。Whisperをセルフホストして、faster-whisperのようなツールでストリーミングパイプラインを構築する必要があり、エンジニアリングの複雑さが増します。Google Cloud Speech-to-Text（Chirp 3モデル）は中間結果付きのリアルタイムストリーミングをサポートしており、ライブ会議の文字起こしにはより実用的な選択肢です。OpenAIも現在は別のリアルタイム音声エンドポイントを提供していますが、価格は1分あたり約$0.017で、コスト計算が大きく変わります。

Whisperをセルフホストする方がGoogle Cloud Speech-to-Textより安いですか?

高ボリュームかつGPU使用率が高い場合、その通りです。Whisper large-v3を実行するGPUインスタンスは、実効コストを1分あたり$0.002未満に抑えられます。ただし、GoogleのDynamic Batchティアは1分あたり約$0.004で、24時間以内のターンアラウンド要件付きですが、GPU運用の負担なしに、時間に敏感でないバッチ処理ではWhisper API（1分あたり$0.006）を下回ります。セルフホスティングが明確に勝つのは、月あたり約500時間を超え、かつインフラを維持できるエンジニアリング能力がある場合だけです。

Google Cloud Speech-to-Textは話者分離に対応していますか？

はい。話者分離はV1 APIとV2 APIの両方で利用可能で、Chirp 3でも対応しています。1つ注意点があります。Chirp 3では、話者分離はバッチモードと同期（Recognize）モードで約15のサポート言語に対応していますが、ストリーミングモードではまだ利用できません。Whisperには話者分離機能がネイティブで一切含まれておらず、Whisperの出力に加えてpyannoteのような別モデルを実行する必要があります。

後でWhisperとGoogle Cloud Speech-to-Textを切り替えられますか？

はい、ある程度の統合作業は必要ですが可能です。両方とも標準的なオーディオ形式を受け入れ、タイムスタンプ付きのテキストを返します。ただし、APIの構造は異なり、レスポンス形式も違い、一方のサービスに固有の機能（Googleのカスタム語彙、Whisperの翻訳モード）は適応が必要です。切り替えを見込んでいるなら、最初から文字起こし呼び出しを薄い抽象化レイヤーの背後にラップして、プロバイダー変更が1つのファイルに影響するだけで、コードベース全体に影響しないようにしてください。

出典

• Google Cloud Speech-to-Text の料金
• OpenAI API の料金
• Chirp 3 のドキュメント
• OpenAI Whisper モデルのページ
• Google STT の料金内訳（costbench.com）
• OpenAI Whisper の料金内訳（costbench.com）
• Google STT の隠れたコスト分析
• Google STT の話者分離に関するフォーラムのスレッド