音声認識の料金は単純に見えます。音声 1 分あたりの価格だけです。しかし実際には、プロバイダーごとに 1 分、1 時間、1 秒単位で料金を示し、バッチとストリーミングを分け、話者分離やマスキングを追加オプションとして販売しています。このページでは、2026 年 11 月 14 日と 15 日に各社の公式ページから取得した料金(取得日は下の各出典に記載)を使い、主要な API を同じ物差しで比べます。
特に記載がない限り、料金はすべて定価、従量課金、米ドル建てで、バッチ(録音済み)音声が対象です。ボリュームディスカウントや個別契約は含みません。
音声認識 API は 1 分あたり、1,000 時間あたりいくらかかるのか?
| プロバイダーとモデル | 1 分あたり | 1 時間あたり | 1,000 時間あたり |
|---|---|---|---|
| Groq、Whisper Large v3 Turbo | 約 USD 0.00067 | USD 0.04 | USD 40 |
| DeepSeek ASR、期間限定価格(定価の 50% 引き) | 約 USD 0.00097 | USD 0.058 | USD 58 |
| Soniox、非同期(トークン課金。1 時間あたりは「約」) | 約 USD 0.00167 | 約 USD 0.10 | 約 USD 100 |
| Groq、Whisper Large v3 | 約 USD 0.00185 | USD 0.111 | USD 111 |
| DeepSeek ASR、定価 | 約 USD 0.00193 | USD 0.116 | USD 116 |
| BroadNet Transcribe(14 言語) | $0.002 | $0.12 | $120.00 |
| AssemblyAI、Universal-2 | USD 0.0025 | USD 0.15 | USD 150 |
| OpenAI、gpt-4o-mini-transcribe(非推奨、2027-02-26 提供終了) | USD 0.003 | USD 0.18 | USD 180 |
| Google、V2 dynamic batch | USD 0.003 | USD 0.18 | USD 180 |
| AssemblyAI、Universal-3.5 Pro | USD 0.0035 | USD 0.21 | USD 210 |
| Speechmatics、Melia 1 multilingual(56 言語) | USD 0.004 | USD 0.24 | USD 240 |
| BroadNet Transcribe Arabic | $0.0042 | $0.25 | $252.00 |
| Deepgram、Nova-3 単一言語 | USD 0.0043 | USD 0.258 | USD 258 |
| OpenAI、gpt-transcribe | USD 0.0045 | USD 0.27 | USD 270 |
| Deepgram、Nova-3 多言語 | USD 0.0052 | USD 0.312 | USD 312 |
| OpenAI、whisper-1 / gpt-4o-transcribe(非推奨、2027-02-26 提供終了) | USD 0.006 | USD 0.36 | USD 360 |
| AWS Transcribe、バッチ(米国東部) | USD 0.006 | USD 0.36 | USD 360 |
| Speechmatics、Standard | USD 0.0075 | USD 0.45 | USD 450 |
| Speechmatics、Enhanced | USD 0.0125 | USD 0.75 | USD 750 |
| Google、V2 standard(最初の 500,000 分) | USD 0.016 | USD 0.96 | USD 960 |
1 時間あたりと 1,000 時間あたりの数字は、公開されている単価から私たちが計算したものです(1 分あたり × 60、さらに × 1,000)。Groq、DeepSeek、AssemblyAI、Speechmatics は 1 時間あたりの料金を公開しているので、1 分あたりの列は 60 で割って出しました。DeepSeek の料金ページでは、音声認識 API を 1 時間 USD 0.116 とし、期間限定の 50% 割引を掲載していますが、終了日は示されていないので、予算は定価で立ててください。Speechmatics の料金は録音済み音声の定価です。同社の料金ページでは、33% のモデル学習割引と最大 25% のボリューム割引を適用した料金も表示でき、その場合 Melia 1 は 1 時間約 USD 0.12 まで下がります。33% の割引はオプトイン制で、参加すると Speechmatics が音声と文字起こしをモデル改善に使うことを許可することになります(同社の料金 FAQ、2026-11-15 確認)。
Soniox、DeepSeek ASR、Groq の Whisper エンドポイントは、いずれも 1 時間あたりの料金が BroadNet の 2 モデルより安くなっています。Soniox の料金ページ(2026-11-14 確認)はトークン課金で(非同期の場合、入力音声トークン 100 万あたり USD 1.50、出力テキストトークン 100 万あたり USD 3.50)、ファイルアップロードで 1 時間 “about”(訳:約)USD 0.10、リアルタイムのストリーミングで 1 時間約 USD 0.12 としています。対応言語の一覧には、60 以上の言語の 1 つとしてアラビア語が含まれています。OpenAI の /v1/audio/transcriptions 形式ではなく独自のジョブ型 API を使うため、乗り換えるにはクライアントのコードを新しく書く必要があります。
備えておくべき変更が 1 つあります。OpenAI の非推奨情報のページ(2026-11-15 確認)では、whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize が非推奨(2026 年 8 月 26 日に告知)とされ、2027 年 2 月 26 日に提供終了、後継は gpt-transcribe または gpt-live-transcribe です。料金ページでも同じ 4 モデルが非推奨と表示されています。いま OpenAI のパイプラインの料金を見積もるなら、gpt-transcribe の 1 分 USD 0.0045 で計算してください。1 時間あたりでは BroadNet のどちらのモデルより高くなりますが、OpenAI はリアルタイムの文字起こし(gpt-live-transcribe、1 分 USD 0.017)も提供しており、これは BroadNet にはありません。このページは料金だけを比較しています。whisper-1 から移行する場合は、Whisper API の代替ガイドで、ご自身の音声で代替モデルをテストする方法と、切り替えで何が動かなくなるかを解説しています。ご自身の利用量をこれらの料金で計算するには、音声認識コスト計算ツールを使ってください。
全体像を知りたい場合は、オープンデータの音声認識 API 価格指数で、20 以上の製品について、バッチとストリーミングの料金、課金単位、アラビア語対応を一覧にしています。いずれも各プロバイダーの料金ページで確認したものです(CSV と JSON)。
基本料金に含まれていないものは?
1 分あたりの料金だけで請求額が決まることはまれです。比較する前に次の点を確認してください。
| 項目 | 各社のページの記載 |
|---|---|
| 話者分離 | Deepgram:録音済みは込み、ストリーミングは 1 分あたり USD 0.0020 の追加。AWS:標準料金に含まれる。AssemblyAI:1 時間あたり USD 0.02 の追加。OpenAI:別モデルの gpt-4o-transcribe-diarize で 1 分 USD 0.006、非推奨で 2027-02-26 提供終了。 |
| 個人情報(PII)のマスキング | Deepgram:1 分 USD 0.0020。AWS:1 分 USD 0.0024(第 1 段階)。AssemblyAI:テキストのマスキングは Universal-2 で 1 時間 USD 0.08、Universal-3.5 Pro で 1 時間 USD 0.12 の追加。音声のマスキングは 1 時間 USD 0.05 の追加。 |
| ストリーミング | AWS:1 分 USD 0.01(バッチは USD 0.006)。Deepgram Nova-3 単一言語:ストリーミング USD 0.0048(2027-02-13 まで有効なキャンペーン価格)、録音済み USD 0.0043。Speechmatics Melia 1:リアルタイム 1 時間 USD 0.40、録音済み 1 時間 USD 0.24。 |
| 最低課金単位 | Groq は 1 リクエストにつき最低 10 秒を課金。AWS は秒単位で最低時間なし。Google は各リクエストを次の 1 秒に切り上げ。 |
| ボリューム段階 | Google V2 standard は月 500,000 分を超えると 1 分 USD 0.01 に下がり、100 万分を超えるとさらに下がる。AWS の標準のバッチとストリーミングは現在一律料金で、ボリューム段階はマスキングなどの追加オプションに適用される。 |
話者分離とマスキングが必要なコールセンターの場合、Deepgram Nova-3 の録音済みはマスキング込みで 1 分 USD 0.0063、AWS は USD 0.0084 になります。基本料金が安くても追加オプションが高いサービスは、基本料金が高くてもそれらが込みのサービスに負けることがあります。
月 10,000 件のボイスメモを文字起こしするといくらか?
サポートの受信箱に、30 秒の WhatsApp ボイスメモが月 10,000 件届くとします。合計 5,000 分です。
- 1 分 USD 0.006 の場合(AWS のバッチ、または OpenAI の非推奨の whisper-1):USD 30。
- USD 0.0045 の場合(OpenAI gpt-transcribe):USD 22.50。
- USD 0.0043 の場合(Deepgram Nova-3):USD 21.50。
- BroadNet Transcribe Arabic の場合:$21.00。
ここでは最低課金単位が効いてきます。Groq の最低 10 秒は、この例の 30 秒のメモの料金には影響しませんが、2 秒の「OK」というメモは 10 秒として課金されます。最低 15 秒なら、その 2 秒のメモも 15 秒のメモと同じ料金になります。ボイスメモの処理全体については、ビジネス向けボイスメモの文字起こしをご覧ください。
料金以外に重要なことは?
5 語に 1 語を間違える安いモデルは、節約した分より人手での修正に多くのコストがかかります。切り替える前に、言語ごとにご自身の録音 30〜50 件で単語誤り率を測定してください。Whisper の代替ガイドでは、このテストを午後のうちに済ませる方法を紹介しており、アラビア語音声認識 API の選び方ガイドでは方言ごとの採点を扱っています。
料金以外の確認事項:
- **言語。**BroadNet Transcribe は 14 言語に対応しています(全一覧)。OpenAI によると、Whisper(非推奨の
whisper-1)は 98 言語に対応していますが、精度にはばらつきがあります。 - **ファイルの上限。**アップロードの上限は OpenAI が 25 MB、BroadNet が 25 MiB なので、長い通話は分割してください。
- **データ保持。**音声はテキストより機密性が高いことがよくあります。音声や文字起こしテキストが保存されるかを確認してください。LLM API のデータ保持比較もご覧ください。
BroadNet Transcribe が合う場面
BroadNet Transcribe は 1 分 $0.002(1 時間 $0.12)で、英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、ギリシャ語、オランダ語、ポーランド語、中国語、日本語、韓国語、ベトナム語、アラビア語の 14 言語に対応しています。BroadNet Transcribe Arabic は 1 分 $0.0042 で、アラビア語の方言向けに作られています。BroadNet によると、Open Universal Arabic ASR Leaderboard で 37 件中 2 位 (2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位) です。どちらも OpenAI 互換の /v1/audio/transcriptions エンドポイントを使い、25 MiB までの WAV または MP3 を受け付け、音声も文字起こしテキストも保持しません(ゼロデータ保持)。$5 の初回クレジットで、アラビア語の音声を約 1,190 分文字起こしできます。キーを作成して、ご自身のファイルで試してください。
合わない場面:BroadNet には、ストリーミングの文字起こし、組み込みの話者分離、マスキングの追加オプションが掲載されていません。リアルタイムの字幕や話者ラベルを API そのものから得たいなら、Deepgram、AssemblyAI、AWS はいずれもその両方を提供しています。OpenAI はリアルタイムの文字起こしを提供していますが、唯一の話者ラベル付けモデルは非推奨です。BroadNet の 2 モデルは比較ページで並べて比較でき、すべての料金は料金ページで確認できます。
