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




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。

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・話者識別など)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)。トークン課金モデルは目安値を表示
  • 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:「✓ あり(条件)」「なし」「トライアルのみ(期間)」の3値
  • バッジ:★最新=提供元の最新モデル、★廃止予定=削除日が告知済み(新規は後継へ)

音声認識(STT)API料金比較表(2026年11月時点)

※料金はUSD。2026年11月時点の情報です。

モデル名 提供元 料金(1分あたり) 精度・特徴 無料枠
gpt-transcribe ★最新 OpenAI $0.0045 高精度・ファイル/Realtime両対応 なし
gpt-live-transcribe $0.017 低遅延リアルタイム文字起こし なし
gpt-realtime-whisper $0.017 ストリーミング・遅延/精度を調整可 なし
gpt-4o-mini-transcribe ★廃止予定(2027/2/26) $0.003(目安) 高速・低コスト なし
gpt-4o-transcribe ★廃止予定(2027/2/26) $0.006(目安) 高精度・多言語 なし
gpt-4o-transcribe-diarize ★廃止予定(2027/2/26) $0.006(目安) 高精度+話者識別付き なし
Google V2 Dynamic Batch Google Cloud $0.003 バッチ処理・低コスト なし
Google V2 Standard $0.016(〜500K分) 高精度・多言語・Chirp対応 なし
Google Medical $0.078 医療特化 ✓ あり(月60分)
Gemini 3.5 Transcribe Google(Gemini API) $0.005(目安・トークン課金) バッチ文字起こし・話者識別 ✓ あり(Gemini API無料枠)
Gemini 3.5 Transcribe Live $0.009(目安・トークン課金) リアルタイム文字起こし ✓ あり(Gemini API無料枠)
Deepgram Flux Deepgram $0.0077 会話向け・ターン検出内蔵・超低遅延 ✓ あり($200クレジット・無期限)
Deepgram Nova-3 $0.0077 (録音済み: $0.0043) 最高精度・ノイズ耐性 ✓ あり($200クレジット・共通)
Deepgram Nova-3 Multilingual $0.0092 (録音済み: $0.0052) 最高精度・多言語 ✓ あり($200クレジット・共通)
AssemblyAI Universal-2 AssemblyAI $0.0025 高精度・99言語 ✓ あり(録音済み185時間・ストリーミング333時間まで)
AssemblyAI STT-3.7 $0.0035($0.21/時間) 録音済み・最高精度・32言語 ✓ あり(無料枠・共通)
AssemblyAI STT-3.7-Realtime $0.005($0.30/時間) リアルタイム・議事録/字幕向け・32言語 ✓ あり(無料枠・共通)
AssemblyAI STT-3.7-Realtime-Agent $0.0075($0.45/時間) リアルタイム・音声エージェント向け最高精度・32言語 ✓ あり(無料枠・共通)
Azure Batch STT Microsoft Azure $0.003($0.18/時間) 標準精度・バッチ向き なし
Azure Standard Real-time $0.0167($1/時間) 標準精度・リアルタイム ✓ あり(月5時間・F0)
Amazon Transcribe Standard Amazon $0.006 標準精度・話者識別オプション トライアルのみ(初12ヶ月・月60分)
Amazon Transcribe Medical $0.075 医療特化・高精度 トライアルのみ(初12ヶ月・月60分)
xAI STT(バッチ/REST) xAI $0.0017($0.10/時間) バッチ処理対応 なし
xAI STT(ストリーミング) $0.0033($0.20/時間) リアルタイムSTT対応 なし
Muse Voice Transcribe Meta $0.003($0.18/時間) リアルタイム+話者20人超の識別 なし
DeepSeek ASR DeepSeek $0.0019($0.116/時間) 21言語の自動判定・1回120秒まで(リアルタイム非対応) 記載なし

※ OpenAI gpt-4o-transcribe系3行は2027年2月26日にAPI削除予定。後継はgpt-transcribe/gpt-live-transcribe。
※ gpt-4o-transcribe系とGemini 3.5 Transcribe系はトークン課金の1分換算。
※ Azure・Amazon・xAI・Meta・DeepSeekは時間単価を1分に換算。Deepgramはストリーミング通常価格(2026年11月14日時点はストリーミングが割引中=Nova-3 $0.0048・Nova-3 Multilingual $0.0058・Flux英語 $0.0065/分・終了日の記載なし)。
※ DeepSeek ASRは定価。2026年11月14日時点は期間限定の半額($0.058/時間)で、終了日の記載はありません。

出典:OpenAI 公式料金ページ
出典:Google Cloud Speech-to-Text 公式料金ページ
出典:Google Gemini API 公式料金ページ
出典:Deepgram 公式料金ページ
出典:AssemblyAI 公式料金ページ
出典:Microsoft Azure Speech 公式料金ページ
出典:AWS Transcribe 公式料金ページ
出典:xAI 公式料金ページ
出典:Meta Muse Voice Transcribe 公式料金ページ
出典:DeepSeek 公式料金ページ

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

xAI STT(バッチ/REST・$0.0017/分)が本表の最安で、1時間の音声が$0.10です。無料枠がないため、まず無料で試すならAssemblyAI Universal-2($0.0025/分)が向きます。無料枠で録音済みの音声を最大185時間分テストできます(カード不要)。

DeepSeek ASR($0.0019/分=$0.116/時間)はxAIに次ぐ安さで、2026年11月14日時点の期間限定価格($0.058/時間)ならxAIより安くなります。
ただし1回に送れる音声は120秒・8MiBまでで、ストリーミングには対応しません。長い録音は分割して送る前提です。

Google V2 Dynamic BatchとMeta Muse Voice Transcribe(ともに$0.003/分)も同価格帯です。OpenAIなら後継のgpt-transcribe($0.0045/分)が基準です。gpt-4o-mini-transcribe(目安$0.003/分)は2027年2月26日に削除予定のため新規採用は避けてください。

多言語・汎用精度向き

gpt-transcribe($0.0045/分)はOpenAIが「高精度」と位置づけるモデルで、録音済みファイルとRealtime入力の両方に対応し、用語・言語のヒントで専門用語や多言語音声の精度を上げられます。従来のgpt-4o-transcribe(目安$0.006/分)より安価です。

話者識別が必要なら、gpt-4o-transcribe-diarizeは2027年2月26日に削除予定のため、Gemini 3.5 Transcribe(目安$0.005/分)・Meta Muse Voice Transcribe($0.003/分)・話者識別オプション($0.02/時間)のあるAssemblyAIが候補です。Deepgram Nova-3(ストリーミング$0.0077/分・録音済み$0.0043/分)はノイズ耐性が強みで、$200の無料クレジット(無期限・カード不要)付きです。

リアルタイム・コール対応向き

  • AssemblyAI STT-3.7-Realtime-Agent($0.0075/分):音声エージェント向けの最高精度モデル(2026年11月17日提供開始)。32言語に対応し、周りの声を抑えるVoice Focusを使えます
  • Deepgram Nova-3($0.0077/分):低遅延でノイズ耐性が高く、コールセンター環境に強み(2026年11月14日時点は割引で$0.0048/分)。会話向けのFlux(同額)はターン検出を内蔵します
  • Meta Muse Voice Transcribe($0.003/分):文字起こしと20人超の話者識別を1モデルで同時に行います
  • AssemblyAI STT-3.7-Realtime($0.005/分):議事録・字幕など会話の書き起こし向け。32言語とリアルタイムの話者ラベルに対応します
  • gpt-live-transcribe/gpt-realtime-whisper(各$0.017/分):OpenAIのリアルタイム文字起こし。前者は低遅延で精度の位置づけ「Highest」、後者は遅延と精度を調整したい用途向け。単価はリアルタイム系で最も高い

※ AssemblyAIのUniversal-3.5 Pro・Universal-Streaming(英語・多言語)は2026年11月17日に非推奨となり、後継はSTT-3.7系です(Streamingは2027年2月1日に提供終了予定)。

医療・専門分野向き

Amazon Transcribe Medical($0.075/分)とGoogle Medical($0.078/分・月60分無料)が医療用語に特化した高精度モデルで、HIPAA準拠対応が必要な医療系アプリケーションに使われます。

Gemini APIで文字起こしまで揃えたい場合

Gemini 3.5 Transcribe(目安$0.005/分)は録音済み音声のバッチ文字起こし、Gemini 3.5 Transcribe Live(目安$0.009/分)はリアルタイム文字起こしに対応します。課金はトークン単位で、Googleは入力を音声1秒あたり25トークン、出力をテキスト1分あたり175トークンとして換算した実効の分単価を公式に示しています。どちらもGemini APIの無料枠から試せます。分単位課金のCloud Speech-to-Text V2($0.003/分〜)もあります。

xAIエコシステムで統一したい場合

xAI STT(バッチ/REST・$0.0017/分)はAssemblyAI Universal-2($0.0025/分)より安く、xAI STT(ストリーミング・$0.0033/分)はリアルタイム処理に対応します。いずれもGrok TTS・Voice Agentと同一APIで提供されます。

よくある質問

STT APIで最も安いのはどこですか?

2026年11月時点の最安はxAI STT(バッチ/REST・$0.0017/分=$0.10/時間)です。次いでAssemblyAI Universal-2($0.0025/分)、Google V2 Dynamic BatchとMeta Muse Voice Transcribe($0.003/分)が続きます。OpenAIの現行はgpt-transcribe($0.0045/分)です。

OpenAI TranscribeとDeepgramはどちらがおすすめですか?

用途で異なります。OpenAI(gpt-transcribe・$0.0045/分)は録音済みファイルとRealtime入力を1モデルで扱え、OpenAIエコシステムとの統合が容易です。Deepgram Nova-3(ストリーミング$0.0077/分・録音済み$0.0043/分)はノイズ耐性と$200無料クレジットが強みです。

無料で試せるSTT APIはありますか?

最も厚いのはDeepgramの$200クレジット(無期限・カード不要)です。AssemblyAIは録音済み185時間・ストリーミング333時間までの無料枠(カード不要)、Gemini 3.5 Transcribe系はGemini API無料枠、Google Medicalは月60分、Azureは無料F0ティアでリアルタイムが月5時間(バッチは対象外)、Amazon Transcribeは初12ヶ月に月60分。OpenAI・xAI・Metaは無料枠なしです。

医療現場で使えるSTT APIはありますか?

Amazon Transcribe Medical($0.075/分)とGoogle Medical($0.078/分・月60分無料)です。医療用語に特化し、HIPAA準拠対応が必要な用途に使われます。

まとめ

  • とにかく安く:xAI STT バッチ($0.0017/分)
  • AssemblyAI無料:Universal-2($0.0025/分)
  • 無料枠が最厚:Deepgram($200クレジット・無期限)
  • OpenAIで揃える:gpt-transcribe($0.0045/分)
  • 短い録音を安く:DeepSeek ASR($0.0019/分・1回120秒まで)
  • リアルタイム最安:Muse Voice Transcribe($0.003/分)
  • リアルタイム高精度:Deepgram Nova-3($0.0077/分)
  • 話者識別つき:Muse Voice Transcribe($0.003/分)
  • 医療特化:Google Medical($0.078/分)

料金は音声1分あたりです。gpt-4o-transcribe系3モデルは2027年2月26日に削除予定です。

メルマガ登録CTA B2(MCPカオスマップ無料プレゼント)