TL;DR
万能なベストな音声認識 API は存在しない。録音済み音声には低コストの出発点として AssemblyAI Universal-2 と Google Dynamic Batch が有力。ライブ字幕や音声エージェントには Deepgram、AssemblyAI、ElevenLabs を早期に検証対象へ。プロダクト全体がすでに OpenAI SDK を使っているなら OpenAI は便利で、AWS や Google は既存クラウド基盤内での運用摩擦を減らせる可能性がある。
分単価だけで選ばないこと。実運用コストは、チャンネル課金、話者分離や編集の追加料金、p95 の確定遅延、再試行、データ条件、そして採択された書き起こし 1 件あたりの人手修正に要する分数にも左右される。
How to Choose a Speech-to-Text API: Which Provider Should You Test First?
普遍的な順位ではなく、あなたのワークロードから始めよう。適切な音声認識 API は、低コストなバッチ文字起こし、低レイテンシのストリーミング、多言語対応、話者分離、既存クラウド基盤との緊密な統合のいずれを必要とするかによって異なる。
最初のベンチマークに含めるべきプロバイダーを、以下のショートリストで決めよう。
| Workload | Start with | Why | Decision-breaking test |
|---|---|---|---|
| Large recorded archive | AssemblyAI Universal-2, Google Dynamic Batch, OpenAI gpt-4o-mini-transcribe | 公開されている録音音声の価格が低い | キュー待ち時間、長尺ファイル処理、書式、修正に要する分数 |
| Live captions or voice agents | Deepgram Nova-3 or Flux, AssemblyAI Realtime, ElevenLabs Scribe v2 Realtime | 部分結果とターン検出ワークフローを備えたストリーミング API | 安定した部分結果のレイテンシ、確定遅延、中断と再接続 |
| Contact-center calls | AWS Transcribe, Google Cloud STT, Deepgram, AssemblyAI | チャンネル処理、話者分離、語彙コントロール、編集（redaction）オプション | チャンネル単位課金、重畳発話、PII ポリシー、リージョン内処理 |
| Multilingual meetings or media | AssemblyAI Universal-3.5 Pro, ElevenLabs Scribe v2, Deepgram Nova-3 Multilingual, OpenAI transcription models | 広範な言語対応またはコードスイッチング対応 | 実際の言語ペア、アクセント、名前、タイムスタンプ、混在言語セグメント |
Speech-to-Text API Pricing Comparison: 2026 Snapshot
この表はスキャンのために公開リスト価格を 1 時間あたりに正規化したもの。品質、レイテンシ、機能範囲、商用条件が同等であることを意味しない。プロモーション、低優先度、あるいは大口価格は、通常のエントリー料金と直接同等ではないため明示している。
| Provider | Best production fit | Recorded or asynchronous price | Live or standard price | Most important caveat |
|---|---|---|---|---|
| OpenAI | 既存の OpenAI アプリケーションとシンプルなアップロード型の書き起こし | gpt-4o-mini-transcribe: $0.18/hr; gpt-4o-transcribe: $0.36/hr | gpt-realtime-whisper: $1.02/hr | アップロードは 25 MB に制限。word-level の timestamp_granularities[] は whisper-1 にのみドキュメントがあり、話者分離は別モデルで、Realtime API ではサポートされない。 |
| Deepgram | ストリーミング制御、ライブ字幕、音声エージェント向けパイプライン | Nova-3 Monolingual pre-recorded: $0.462/hr | Nova-3 Monolingual streaming: $0.288/hr promotional | 話者分離と編集はそれぞれ $0.0020/min、キータームプロンプトは $0.0013/min を加算。表示料金は Model Improvement Program への参加を前提。 |
| AssemblyAI | 低コストの録音書き起こしと明確な機能別価格 | Universal-2: $0.15/hr; Universal-3.5 Pro: $0.21/hr | Universal-Streaming: $0.15/hr; Universal-3.5 Pro Realtime: $0.45/hr | マルチチャンネルファイルはチャンネルごとに課金。$0.15/hr のストリーミングは英語または 6 言語に対応し、Universal-2 の 99 言語カバレッジの全面対応ではない。 |
| Google Cloud Speech-to-Text V2 | GCP ネイティブのワークロードと低優先度アーカイブ | Dynamic Batch: $0.18/hr | Standard recognition: $0.96/hr for the first 500,000 monthly minutes | Dynamic Batch は低い緊急度で実行。すべての音声チャンネルが個別に課金される。 |
| Amazon Transcribe | AWS ネイティブのコンタクトセンターと 2 チャンネルの通話音声 | リージョンとボリューム階層により変動。公式の US East での 2M 分例: $0.36/hr | 公式の 2M 分 US East 例: $0.60/hr | これは大口例であり、普遍的なエントリー価格ではない。リクエストは最小 15 秒。最大 2 チャンネルまでが継続時間課金に含まれる。 |
| ElevenLabs Scribe | 多言語メディア、単語タイミング、迅速なリアルタイム実験 | Scribe v2: $0.22/hr | Scribe v2 Realtime: $0.39/hr | エンティティ検出は $0.07/hr、キータームプロンプトは $0.05/hr を加算。ベンダーのレイテンシはネットワークやアプリ経路を含まない。 |
Developer shortcut: ショートリストに Whisper、GPT-4o Transcribe、または現在 CometAPI でサポートされている他の音声モデルが含まれている場合、live model catalog and pricing を確認し、OpenAI-compatible quickstart を使って同じ音声をサポート対象ルートで流してみよう。ベンチマークを組む前に、正確なモデル ID とエンドポイントを確認すること。
Detailed Vendor Breakdown: The 6 APIs Compared
1. OpenAI: Best for Teams Already Using the OpenAI SDK
OpenAI’s pricing page は、gpt-4o-mini-transcribe の書き起こしを 1 分あたり $0.003、gpt-4o-transcribe を 1 分あたり $0.006 と見積もっている。専用の gpt-realtime-whisper ルートはおよそ 1 分あたり $0.017 と記載されている。
OpenAI は、認証、ログ、再試行、モデルガバナンスに OpenAI SDK をすでに使っているチームにとって実用的な第一候補である。gpt-4o-transcribe と gpt-4o-mini-transcribe はどちらもプロンプトをサポートし、製品名、略語、人名、ドメイン固有語彙の認識を改善できる。話者識別が必要な録音には、別の gpt-4o-transcribe-diarize モデルが話者ラベル付きセグメントを返し、短い参照クリップを使って既知の話者にひもづけることができる。
主な制約は価格だけでなくアーキテクチャに起因する。アップロードファイルは 25 MB に制限され、単語レベルの timestamp_granularities[] は whisper-1 に対してのみドキュメントがある。また話者分離モデルは Realtime API では利用できない。長尺録音、ライブ会話、話者の多いコンタクトセンター音声を扱うチームは、ファイル処理、タイムスタンプ要件、話者付与を、どの OpenAI ルートに標準化するか決める前に必ずテストすべきだ。最新のエンドポイント挙動と出力形式のサポートは、公式の OpenAI speech-to-text documentation を参照。
OpenAI 直接 API のコストを抑えながら GPT-4o Transcribe を使いたいチームは、GPT-4o Transcribe API on CometAPI も確認しよう。執筆時点では、CometAPI は OpenAI 標準の直接 API 価格より低いレートでのアクセスを掲載しつつ、OpenAI 互換の統合経路を維持している。価格、可用性、サポートパラメータは変わる可能性があるため、本番比較前にライブのモデルページを確認すること。
最初にテスト OpenAI すべきとき： アプリケーションがすでに OpenAI 互換ツール群を使用し、音声の大半が連続ストリーミングではなくアップロード型で、専用のストリーミング制御やコンタクトセンター機能よりも統合の容易さが重要な場合。
2. Deepgram: Best for Streaming Control and Voice-Agent Pipelines
Deepgram の料金ページ では、Nova-3 Monolingual のストリーミングが期間限定で 1 分あたり $0.0048、Nova-3 Multilingual が 1 分あたり $0.0058。対応する録音（事前アップロード）の従量料金はそれぞれ 1 分あたり $0.0077 と $0.0092。Flux はターン検出や割り込み処理を備えた会話型音声エージェント向けに位置づけられている。
Deepgram をライブ製品のショートリストに入れる理由は、最終書き起こしの正確さと同じくらいストリーミングの挙動が重要だからだ。音声インターフェースには、有用な部分結果、信頼できる終端検知、自然な割り込み処理、予測可能な確定が必要で、「通話終了後にきれいなテキストができる」だけでは不十分。
モデルと一緒にアドオンの予算も見積もること。話者分離と編集はそれぞれ 1 分あたり $0.0020、キータームプロンプトは 1 分あたり $0.0013 を加算。掲載料金は Model Improvement Program への参加を前提としているため、厳格なデータ利用要件があるチームは代替の商用条件を確認すべき。
Test Deepgram first when: ターンテイキング、低レイテンシな部分結果、ストリーミング制御、または音声エージェント挙動が主要要件である。
3. AssemblyAI: Best Low-Cost Recorded Route with Transparent Add-On Pricing
AssemblyAI の料金 は、Universal-2 を音声 1 時間あたり $0.15、Universal-3.5 Pro を $0.21 としている。Universal-2 は 99 言語に対応し、Universal-3.5 Pro は 18 言語に対応、コードスイッチングとより高度なモデル階層を備える。
リアルタイム製品群は別系統。Universal-Streaming は英語で 1 時間あたり $0.15、Universal-Streaming Multilingual は英語、スペイン語、ドイツ語、フランス語、ポルトガル語、イタリア語を同価格でカバー。Universal-3.5 Pro Realtime は 1 時間あたり $0.45 で 18 言語をサポート。
AssemblyAI はアドオンの料金表が明確で、予算化が容易：録音の話者分離は 1 時間あたり $0.02、リアルタイムの話者分離は 1 時間あたり $0.12、Universal-Streaming のキータームプロンプトは 1 時間あたり $0.04。マルチチャンネルファイルはチャンネルごとに課金され、ステレオ通話では結果が変わり得る。
Test AssemblyAI first when: 録音音声の低コスト、広い言語カバレッジ、明瞭な機能価格、またはシンプルな非同期ワークフローが優先事項である。
4. Google Cloud Speech-to-Text: Best for Dynamic Batch and GCP-Native Workloads
Google Cloud Speech-to-Text V2 の料金 は、Dynamic Batch を 1 分あたり $0.003、標準認識を月間最初の 500,000 分について 1 分あたり $0.016 としている。標準価格は利用量階層が上がるほど下がる。
Dynamic Batch は、迅速な処理を要しないアーカイブに魅力的だが、低価格は低い処理緊急度に紐づいている。また Google は各音声チャンネルを個別に課金する：30 秒・4 チャンネルのリクエストは、処理音声として 120 秒分の課金。
音声がすでに Cloud Storage にあり、GCP のアイデンティティ、ログ、リージョンエンドポイント、課金管理をチームが使っている場合、運用上 Google が魅力的になりやすい。書き起こしを独立した費目とせず、ストレージ、転送、隣接するクラウドサービスも総コストモデルに含めること。
Test Google first when: 緊急度の低い大規模アーカイブ、GCP ネイティブ運用、リージョン展開、または適応機能が、最も単純な価格表より重要な場合。
5. Amazon Transcribe: Best for AWS-Native Contact-Center Audio
Amazon Transcribe の料金 は、リージョンと月間利用量階層により異なる。AWS が公開する US East の「月間 200 万分」例では、バッチが 1 分あたり $0.006、ストリーミングが 1 分あたり $0.01。これらは大口利用の例であり、一般的なエントリー見積もりではない。
課金は 1 秒単位だが、リクエストあたり最小 15 秒。標準価格にはカスタム語彙、語彙フィルタリング、話者分離、言語識別が含まれる。自動コンテンツ編集（redaction）とカスタム言語モデルは追加費用。
AWS は音声継続時間の課金に最大 2 チャンネルまでを含む。ステレオのサポート通話では、各チャンネルを別時間として課金するプロバイダーより有利になり得る。
最初にテスト AWS すべきとき： 通話がすでに AWS 上を流れており、2 チャンネル課金が価値を持つ、または IAM、ストレージ、セキュリティ、調達の統合が、もっとも低く見えるリスト価格より重要な場合。
6. ElevenLabs Scribe: Best for Multilingual Media and Fast Real-Time Experiments
ElevenLabs API の料金 は、Scribe v2 を 1 時間あたり $0.22、Scribe v2 Realtime を 1 時間あたり $0.39 としている。製品は多言語文字起こし、単語レベルのタイムスタンプ、話者分離、音声タグ付け、オプションのキータームやエンティティ機能を含む。
Scribe v2 Realtime は低いモデルレイテンシを謳うが、購入者はマイク取り込みから対象リージョンと通信経路を通って安定テキストに至るまでの全経路を測定すべきだ。ベンダーのレイテンシは、あなたの WebSocket 処理、ネットワーク経路、バッファリング、UI 更新、下流のエージェントロジックを含まない。
エンティティ検出は 1 時間あたり $0.07、キータームプロンプトは 1 時間あたり $0.05 を加算。これらが製品に必須であれば、採択書き起こしコストに含めること。
Test ElevenLabs first when: 多言語メディア、単語タイミング、音声タグ、または迅速なリアルタイム試作が中核要件である。
Total Cost of Ownership: Hidden Costs That Can Reverse the Ranking
Multichannel Billing
1 時間のステレオ通話が、常に 1 課金時間とは限らない。
| Route | Planning calculation for a 60-minute, two-channel call | Estimated base cost |
|---|---|---|
| AssemblyAI Universal-2 | 1 hour × 2 channels × $0.15/hr | $0.30 |
| AWS Transcribe batch | 1 hour total × $0.36/hr | $0.36 |
| Google standard recognition | 1 hour × 2 channels × $0.96/hr | $1.92 |
AWS の値は、プロバイダーの公式 US East における月間 200 万分の例を使用。実際のリージョンと月間ボリュームには AWS の見積ツールを使うこと。
この表は課金例であり、コンタクトセンターの優劣を示すものではない。重畳発話、話者交代、用語、編集、確定遅延、修正工数をテストしてからルートを選ぶこと。
Add-Ons, Retries, and Human Review
Deepgram の Nova-3 Monolingual の録音処理は、話者分離を追加すると 1 分あたり $0.0077 から $0.0097 に上がる。編集を加えると、キータームプロンプト前で 1 分あたり $0.0117 となる。AssemblyAI は録音の話者分離を 1 時間あたり $0.02、リアルタイムの話者分離を 1 時間あたり $0.12。ElevenLabs はエンティティ検出を 1 時間あたり $0.07、キータームプロンプトを 1 時間あたり $0.05 としている。
再試行、重複 Webhook、ストレージ、クラウド間転送は、書き起こしを改善せずにコストを増やし得る。すべてのジョブで、音声秒数、チャンネル数、機能フラグ、リクエストステータス、再試行、モデルバージョン、レイテンシ、レビュー時間をログすること。
The better procurement metric is not price per audio minute. 受入れ済み書き起こしあたりのコスト = API 処理 + 有料機能 + 再試行 + ストレージ/転送 + 人手修正時間
レビュアーのコストを 1 時間あたり $30 と仮定：
| Illustrative route | API cost for one audio hour | Human correction | Correction cost | Total accepted-transcript cost |
|---|---|---|---|---|
| Lower-price route | $0.15 | 8 minutes | $4.00 | $4.15 |
| Higher-price route | $0.60 | 3 minutes | $1.50 | $2.10 |
2 つ目のルートは API 層では 4 倍高いが、レビュー後の総額は約半分になる。修正時間は計画上の仮定であり、プロバイダーのベンチマーク結果ではない。ワークフローで書き起こしを承認する人々の実測に置き換えること。
How to Evaluate Speech-to-Text APIs on Real Audio
ベンダーの精度主張は直接比較できない。プロバイダーはデータセット、言語、正規化方針、モデルバージョン、音響条件がそれぞれ異なるからだ。2026 年の GigaSpeechBench study は、低資源言語、中国方言、英語アクセント、12 業界の専門語彙、子どもや高齢者の音声など、680 時間の人手アノテーション済み実音声を評価している。その結果、難条件で主要モデルや商用 API の性能が大きく劣化することを示している。
有用な結論は「ある公開ベンチが永続的な勝者を見つけた」ことではない。あなたのテストセットが実トラフィックに似ていなければならないということだ。
Use a Production-Like Evaluation Set
- 固有名詞やドメイン用語を含む、整った会議またはインタビュー 20 本
- 中断、保留音、クロストーク、チャンネル変更を含む、ノイズの多いサポート通話 20 本
- 実際のコードスイッチングを含む、アクセントや多言語クリップ 20 本
- 長尺のポッドキャストまたは動画ファイル 10 本
- 無音、ためらい、言い直し、割り込み発話を含む短いライブ発話 10 本
Score More Than Word Error Rate
| Metric | What to measure | Why it matters |
|---|---|---|
| Word error rate | 共通の正規化方針の下での挿入・削除・置換 | 語彙的な正確さは捉えるが、書き起こしの実用性は捉えきれない |
| Named-term accuracy | 製品名、人名、地名、略語、数字、業界用語 | 固有名詞の小さな失敗でもレビュー工数が大きく増える |
| Speaker attribution | 単語の誤話者割当と話者切替の検出漏れ | 通話、インタビュー、コンプライアンス、分析で重要 |
| Formatting quality | 句読点、大小、段落、数字、日付、言いよどみの扱い | 公開や分析前の整形時間を左右する |
| Batch turnaround | 短尺・長尺ファイルのアップロードから確定までの p50・p95 | 低優先ルートは運用期限に間に合わない恐れ |
| Streaming latency | 最初の部分、安定した部分、最終テキストの p50・p95 | 平均レイテンシは、ユーザーが実際に感じる「間」を隠す |
| Reliability | タイムアウト、空結果、再試行、重複 Webhook、フォールバック率 | 失敗はコストとユーザー可視の遅延を増やす |
| Review effort | 音声 1 時間あたりの編集分と採択率 | 出力品質をビジネスコストに変換する |
A Seven-Day Evaluation Plan
- Define the acceptance contract. 必要言語、p95 レイテンシ、話者ラベル許容、タイムスタンプ要件、保持ルール、音声 1 時間あたりの最大レビュー分を定める。
- Build and label the audio set. ライセンス済みの実運用に似た音声と、共通の参照書き起こし方針を用意する。
- Normalize integrations. 音声形式、リージョン、語彙ヒント、チャンネル配置、再試行、タイムアウト、モデルバージョンを揃える。
- Run recorded audio tests. コスト、ターンアラウンド、WER、固有名詞、書式、話者、失敗、修正時間を測る。
- Run live-audio tests. 安定した部分、確定遅延、終端検知、割り込み処理、再接続挙動を p50・p95 で測る。
- Calculate accepted-transcript cost. チャンネル、機能、再試行、ストレージ、転送、レビュアー時間を合算する。
- Choose a routing policy. 本番では、ライブ英語通話用、マルチリンガル会議用、低優先バッチアーカイブ用と、ルートを使い分けるのが最適な場合がある。
Production Checklist Before Signing a Contract
- 録音とライブのモデルは別々にテストする（価格、言語、挙動が異なる場合がある）。
- 最初のテキストだけでなく、安定した部分と確定までを測る。
- 重畳発話で、ステレオのチャンネル識別と単一チャンネルの話者分離を比較する。
- タイムアウト、不正音声、空レスポンス、接続断、Webhook 再配送、レート制限エラーを意図的に起こす。
- ファイルサイズ、セッション時間、並行数、レート制限、長尺ファイルのワークフローを確認する。
- 保持、モデル改善への利用、リージョン内処理、削除制御、暗号化、DPA/BAA の可用性、サブプロセッサをプラン別に確認する。
- モデルバージョン、音声秒数、チャンネル、アドオン、リクエストコスト、再試行、レイテンシ、レビュー分、採択ステータスを保存する。
- 価格やモデルが変わったら再テストし、以前の勝者が最適だと仮定しない。
ワークロード別にプロバイダーを絞り、同一音声・設定・受入れ基準でベンチマークする。多くのチームにとって、実用的な初回ラウンドは、低コストの録音ルート、専門的なストリーミングルート、そして既存クラウドや SDK と整合したプロバイダーの 3 本立てを含むべきだ。
Test Supported Speech Models Through CometAPI
OpenAI 互換の音声モデルを評価するチームは、CometAPI Quickstart に従い、統一 API エンドポイント経由で初回の書き起こしリクエストを実行できる。
CometAPI は、サポートモデルについて認証、課金、クライアント統合を単純化できる。本番移行前に、各モデルの対応形式、制限、プライバシー条件、レイテンシ、課金挙動を確認すること。
Frequently Asked Questions
What is the best speech-to-text API in 2026?
すべてのワークロードにおける単一の勝者はいない。録音音声では AssemblyAI と Google Dynamic Batch が低コスト候補として有力。ライブ書き起こしでは Deepgram、AssemblyAI、ElevenLabs を早期に検証対象へ。OpenAI は OpenAI 互換スタックで便利で、AWS と Google はそれぞれのクラウド内では運用上シンプルになり得る。
What is the cheapest speech-to-text API for recorded audio?
ここで正規化した公開ルートの中では、AssemblyAI Universal-2 が音声 1 時間あたり $0.15 から。Google Dynamic Batch と OpenAI gpt-4o-mini-transcribe は約 $0.18/hr に正規化。最終コストはチャンネル、ボリューム階層、アドオン、再試行、ストレージ、転送、人手修正で変わる。
Which API is best for real-time transcription or voice agents?
Deepgram、AssemblyAI、ElevenLabs から始め、エコシステムや言語対応が適合する場合は OpenAI、AWS、Google も含める。安定した部分結果、終端検知、確定遅延、割り込み処理、再接続挙動、p95 レイテンシを、あなたのライブトラフィックパターンで比較する。
How should I compare speech-to-text accuracy?
同じライセンス済み音声、リージョン、モデル設定、正規化方針を全プロバイダーで揃える。単語誤り率とともに、固有名詞、話者付与、書式、p95 レイテンシ、失敗率、音声 1 時間あたりの編集分を報告する。他社ベンチの数値を寄せ集めて普遍的な順位を作らないこと。