【2026年最新】音声認識（STT）API料金比較｜OpenAI・Google・Deepgram・AssemblyAI
AIエージェントナビ編集部
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9月時点）
※料金はUSD。2026年9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（$50クレジット） |
| AssemblyAI Universal-3.5 Pro | $0.0035 | 最高精度・18言語 | ✓ あり（$50クレジット・共通） | |
| AssemblyAI Universal-3.6 Pro Realtime | $0.0075 | リアルタイム・最高精度 | ✓ あり（$50クレジット・共通） | |
| AssemblyAI Universal-Streaming | $0.0025（$0.15/時間） | リアルタイム・英語専用 | ✓ あり（$50クレジット・共通） | |
| AssemblyAI Universal-Streaming Multilingual | $0.0025（$0.15/時間） | リアルタイム・6言語 | ✓ あり（$50クレジット・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 |
※ 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は時間単価を1分に換算。Deepgramはストリーミング通常価格。
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
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。$50の無料クレジットで約333時間分をテストできます。
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 Universal-3.6 Pro Realtime（$0.0075/分）：リアルタイム特化の最高精度モデル。Prompting機能で転写動作を自然言語で制御できます
- 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。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 Universal-Streaming（$0.0025/分）：リアルタイム系の最安。英語専用ですが多言語版（同額）は6言語に対応します
- 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 Universal-Streamingは接続時間で課金（無音が長いと音声長より増える）。
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9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$50クレジット、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
- 最安：xAI STT バッチ（$0.0017/分）。無料枠つきならAssemblyAI Universal-2（$0.0025/分）
- 無料枠最厚：Deepgram（$200クレジット・無期限・カード不要）
- OpenAI統合：gpt-transcribe（$0.0045/分）。gpt-4o-transcribe系3モデルは2027年2月26日に削除予定＝新規はgpt-transcribe／gpt-live-transcribeへ
- リアルタイム高精度：Deepgram Nova-3（$0.0077/分）／AssemblyAI Universal-3.6 Pro Realtime（$0.0075/分）／gpt-live-transcribe（$0.017/分）
- リアルタイム最安：AssemblyAI Universal-Streaming（$0.0025/分・英語専用）。話者識別つきはMeta Muse Voice Transcribe（$0.003/分）
- Gemini APIで統一：Gemini 3.5 Transcribe（目安$0.005/分）／Live（目安$0.009/分）
- 医療特化：Amazon Transcribe Medical・Google Medical（$0.075〜$0.078/分）
- 大量処理：Google V2 Dynamic Batch（$0.003/分）やAmazon Transcribeのボリュームティアで単価を下げる
料金は変動するため、最新情報は各社公式ページで確認してください。
