【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。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・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：月次の無料利用量
音声認識（STT）API料金比較表（2026年8月時点）
※料金はUSD。2026年8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 |
|---|---|---|---|---|
| gpt-4o-mini-transcribe | OpenAI | $0.003（目安） | 高速・低コスト | なし |
| gpt-4o-transcribe | $0.006（目安） | 高精度・多言語 | なし | |
| gpt-4o-transcribe-diarize | $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 | 月60分 | |
| Deepgram Flux | Deepgram | $0.0077 | 最新モデル | $200クレジット（無期限） |
| Deepgram Nova-3 | $0.0077 | 最高精度・ノイズ耐性 | $200クレジット（共通） | |
| Deepgram Nova-3 Multilingual | $0.0092 | 最高精度・多言語 | $200クレジット（共通） | |
| AssemblyAI Universal-2 | AssemblyAI | $0.0025 | 高精度・99言語 | $50クレジット |
| AssemblyAI Universal-3.5 Pro | $0.0035 | 最高精度・18言語 | $50クレジット（共通） | |
| AssemblyAI Universal-3.5 Pro Realtime | $0.0075 | リアルタイム・最高精度 | $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 | $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 | $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 | 月5時間分（F0ティア） |
| Azure Standard Real-time | $0.0167（$1/時間） | 標準精度・リアルタイム | 月5時間分（F0ティア） | |
| Amazon Transcribe Standard | Amazon | $0.006 | 標準精度・話者識別オプション | 初12ヶ月 月60分 |
| Amazon Transcribe Medical | $0.075 | 医療特化・高精度 | 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 |
※OpenAI Transcribe系3モデルはトークン課金（1分あたりの目安値で表示）。Azureは時間単価を1分あたりに換算表示です。
※Google・Amazon・AssemblyAIには利用量に応じたボリューム割引や話者識別などの追加オプションがあります。詳細は各社公式ページをご確認ください。
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：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
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）が本表の最安です。1時間の音声で$0.10になります。ただし無料枠がないため、まず無料で試したい場合は次に安いAssemblyAI Universal-2（$0.0025/分）が向きます。1時間の音声で$0.15と安く、$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。議事録生成・字幕作成など大量バッチ処理に適しています。
Google V2 Dynamic Batch（$0.003/分）とgpt-4o-mini-transcribe（約$0.003/分）も同価格帯の低コスト選択肢です。
多言語・汎用精度向き
gpt-4o-transcribe（約$0.006/分）はOpenAIエコシステムとの統合がシームレスで、多言語対応の高品質文字起こしが可能です。話者識別が必要ならgpt-4o-transcribe-diarize（同価格）が最適です。
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。
リアルタイム・コール対応向き
AssemblyAI Universal-3.5 Pro Realtime（$0.0075/分）はリアルタイム処理に特化した最高精度モデルです。Prompting機能で転写動作を自然言語で制御できます。
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。
コストを抑えたい場合はAssemblyAI Universal-Streaming（$0.0025/分）が本表のリアルタイム系で最安です。英語専用ですが、Universal-Streaming Multilingual（同額）なら英語・スペイン語・ドイツ語・フランス語・ポルトガル語・イタリア語の6言語に対応します。なお課金はWebSocketの接続時間に対して行われるため、無音時間が長い用途では実際の音声の長さより課金が増える点に注意してください。
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。
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、コストパフォーマンスに優れます。xAI STT（ストリーミング・$0.0033/分）はリアルタイム処理に対応。いずれもGrok TTS・Voice Agentと同一APIで提供されており、音声入出力をxAIで統一したい場合の選択肢です。
まとめ
- 最安はxAI STT（バッチ/REST・$0.0017/分）。無料枠つきで安いのは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）
- OpenAI統合ならgpt-4o-transcribe（$0.006/分）・話者識別ならgpt-4o-transcribe-diarize
- リアルタイム高精度ならDeepgram Nova-3（$0.0077/分）またはAssemblyAI Universal-3.5 Pro Realtime（$0.0075/分）
- リアルタイムを安く使うならAssemblyAI Universal-Streaming（$0.0025/分・英語専用／多言語版も同額）
- 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またはGoogle V2 Dynamic Batch（$0.003/分）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。
