【2026年最新】音声認識（STT）API料金比較｜OpenAI Whisper・Google・Deepgram・AssemblyAI

2026年3月18日 最終更新日時 : 2026年3月19日 AIエージェントナビ編集部AIエージェントナビ編集部




音声認識STT API料金比較

はじめに

音声認識（STT）APIとは？

音声認識（STT：Speech-to-Text）APIとは、音声ファイルや音声ストリームを送ると、AIが自動でテキストに変換して返してくれるサービスです。議事録の自動生成・コールセンターの文字起こし・音声コマンド処理などをプログラムから実現できます。

AIエージェントへの音声入力・自動字幕生成・多言語対応アプリなど、幅広い用途があります。料金はほとんどが「1分あたり課金」で、精度・速度・特化機能（医療・法律など）によって大きく差があります。

リアルタイム vs バッチ処理

  • リアルタイム（ストリーミング）：会話中に逐次テキスト化。コール対応・音声アシスタント向き。バッチより割高
  • バッチ処理：録音済み音声を後から変換。議事録・字幕生成向き。リアルタイムより安い傾向

この表の見方

  • 料金（1分あたり）：音声1分あたりの変換コスト（USD）
  • 精度・特徴：多言語対応・医療特化・話者識別（Diarization）などの主な特徴
  • 無料枠：月次の無料利用量

音声認識（STT）API料金比較表（2026年3月時点）

※料金はUSD。2026年3月時点の情報です。最新情報は各社公式ページをご確認ください。

モデル名 提供元 料金（1分あたり） 精度・特徴 無料枠
AssemblyAI Universal-2 AssemblyAI $0.0025 高精度・多言語 $50クレジット
AssemblyAI Universal-3 Pro AssemblyAI $0.0035 最高精度・多言語 $50クレジット（共通）
OpenAI Whisper OpenAI $0.006 高精度・多言語対応 なし（新規$5クレジット）
Azure Batch STT Microsoft Azure $0.006 標準精度・バッチ向き 月5時間分（F0ティア）
Deepgram Nova-3 Deepgram $0.0077 最高精度・ノイズ耐性・新言語追加※ $200クレジット（無期限）
Deepgram Nova-3 Multilingual Deepgram $0.0092 最高精度・多言語 $200クレジット（共通）
Google V2 Standard（Chirp） Google Cloud $0.016 高精度・多言語・Chirp V1のみ月60分
Azure Standard Real-time Microsoft Azure $0.0167 標準精度・リアルタイム 月5時間分（F0ティア）
Amazon Transcribe Standard Amazon AWS $0.024（〜250K分） 標準精度・話者識別オプション 初12ヶ月 月60分
Amazon Transcribe Medical Amazon AWS $0.075 医療特化・高精度 なし
Google Medical Google Cloud $0.078 医療特化 なし

※Deepgramはクレジットカード不要で$200の無料クレジット（無期限）を提供。最も充実した無料枠。
※Google V1 Standardは月60分無料、V2（Chirp）は無料枠なし。Dynamic Batch利用で$0.003/分まで低減可能。
※Amazon Transcribeはボリュームティア制（250K分超で$0.016、5M分超で$0.0078）。大量処理で単価が下がる。
※AssemblyAIのStreaming（リアルタイム）は$0.0025〜$0.0045/分。話者識別（Diarization）は+$0.02〜$0.12/時間。

API未公開・要確認のサービス

  • Whisper OSS（セルフホスト）：OpenAI公開のモデルをGPUサーバーで自前運用。APIコスト0だがインフラコスト・運用が必要。
  • Azure Custom Speech：カスタム語彙・話者適応トレーニング対応。料金はカスタム見積もり。

用途別おすすめ

コスト重視・大量文字起こし向き

AssemblyAI Universal-2（$0.0025/分）が最安クラスです。1時間の音声で$0.15と非常に安く、議事録生成・字幕作成など大量バッチ処理に最適です。$50の無料クレジットで約333時間分の文字起こしをテストできます。

Deepgram Nova-3（$0.0077/分）は最高精度を誇り、$200の無料クレジット（無期限・カード不要）が業界最厚の無料枠です。まずテストしてみる用途に最適です。2026年3月にアラビア語・ヘブライ語・ペルシャ語・ウルドゥー語を新たに追加（料金変更なし）。

多言語・汎用精度向き

OpenAI Whisper（$0.006/分）は99言語以上に対応し、OpenAIエコシステムとの統合がシームレスです。信頼性の高い定番選択肢として広く使われています。

リアルタイム・コール対応向き

Deepgram Nova-3はリアルタイムストリーミングでも低遅延・高精度で動作します。ノイズ耐性が高く、コールセンター環境での利用に強みがあります。

Azure Standard Real-time（$0.0167/分）はMicrosoftエコシステム統合・月5時間の無料枠つきで、Teamsやビジネスアプリとの連携に向いています。

医療・専門分野向き

Amazon Transcribe Medical（$0.075/分）とGoogle Medical（$0.078/分）が医療用語に特化した高精度モデルです。HIPAA準拠対応が必要な医療系アプリケーションに使用されます。

まとめ

  • 最安クラスはAssemblyAI Universal-2（$0.0025/分）
  • 無料枠最厚はDeepgram（$200クレジット・カード不要・無期限）
  • 多言語汎用ならOpenAI Whisper（$0.006/分・99言語以上）
  • リアルタイム高精度ならDeepgram Nova-3（$0.0077/分）
  • 医療特化ならAmazon Transcribe Medical / Google Medical（$0.075〜$0.078/分）
  • 大量処理ならAmazon Transcribeのボリュームティアで単価を下げる戦略も有効

料金は変動することがあります。最新情報は各社公式ページをご確認のうえ、実際の用途でテストして選定してください。

前の記事
【2026年最新】音声合成（TTS）API料金比較｜OpenAI・Google・ElevenLabs・AmazonNew!!
2026年3月18日
次の記事
【2026年最新】RAG・ベクターDB API料金比較｜OpenAI・Cohere・Pinecone・WeaviateNew!!
2026年3月18日