【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 |
|---|---|---|---|---|
| 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 Pro | $0.0035 | 最高精度・6言語 | $50クレジット（共通） | |
| AssemblyAI Universal-3 Pro Streaming | $0.0075 | リアルタイム・最高精度 | $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 | $0.024（〜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 | $0.075 | 医療特化・高精度 | なし |
※gpt-4o-mini-transcribe・gpt-4o-transcribe・gpt-4o-transcribe-diarizeはトークン課金。料金は1分あたりの目安値。
※Google V2 Standardはボリューム割引あり（500K〜1M分：$0.010、1M〜2M分：$0.008、2M分超：$0.004）。
※Azure Batch STTは$0.18/時間、Azure Standard Real-timeは$1/時間。1分あたりに換算して表示。
※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。
※Amazon Transcribeはボリュームティア制（250K分超で$0.015、4M分超で$0.0102）。大量処理で単価が下がる。
※AssemblyAIのSpeaker Diarization（話者識別）は$0.02/時間の追加料金。
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。
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 Pro Streaming（$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。
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。
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）
- 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 Pro Streaming（$0.0075/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。
