音声文字起こし API：14 モデルを比較、1 分 $0.002〜$0.016
目次
音声文字起こし API の定価は 1 分あたり $0.002〜$0.016 です。同じ処理に見えても、料金には 8 倍の差があります。しかも、多くの比較記事は最安の価格帯を扱っていません。私たちは、OpenAI の token 課金モデル gpt-4o ファミリーから、海外の比較記事ではたびたび除外される中国 ASR（ByteDance、Alibaba）まで、14 の文字起こしモデルを単一のゲートウェイで提供しています。この記事では、課金方式ごとの違い、各モデルの分単価、ブランドではなく用途に合わせて選ぶ方法を整理します。
TL;DR
- 14 モデルの定価は、1 分あたり $0.002（seed-asr、paraformer、fun-asr-realtime）から $0.016（Google の Chirp）までで、8 倍の差があります。
- OpenAI の gpt-4o 文字起こしモデルは、分単位ではなく token 単位の課金です。検証に使った音声では、mini が約 $0.0031/min、full が約 $0.0062/min でした。
- 最安の価格帯は中国 ASR です。ByteDance の seed-asr と Alibaba の paraformer、fun-asr、qwen3 ファミリーは、いずれも $0.002-$0.0021/min で、streaming 対応モデルもあります。
- クリアな音声では、精度はモデル選定の決め手になりません。7 モデルの検証では、対応言語に限れば、英語、スペイン語、フランス語の誤り率は全モデルで約 0% でした。
2026 年の音声文字起こし API はいくらかかるのか？
正確に比較するには表を見るのが一番です。単価だけでなく、課金方式もコストを左右します。分単位のモデルは、内容に関係なく音声の長さで課金されます。token 課金のモデルは音声をリサンプリングし、入力と出力の token 数に応じて課金されます。そのため、実質的な分単価は発話密度によって多少変動します。
| モデル | プロバイダー | 課金方式 | 定価 | Streaming |
|---|---|---|---|---|
| seed-asr-bigmodel | ByteDance | 1 分単位 | $0.002/min | 非対応 |
| paraformer-realtime-v2 | Alibaba | 1 分単位 | $0.002/min | 対応 |
| qwen3-asr-flash-realtime | Alibaba | 1 分単位 | $0.002/min | 対応 |
| fun-asr-realtime | Alibaba | 1 分単位 | $0.002/min | 対応 |
| fun-asr | Alibaba | 1 分単位 | $0.0021/min | 非対応 |
| fun-asr-flash | Alibaba | 1 分単位 | $0.0021/min | 非対応 |
| fun-asr-mtl | Alibaba | 1 分単位 | $0.0021/min | 非対応 |
| qwen3-asr-flash | Alibaba | 1 分単位 | $0.0021/min | 非対応 |
| gpt-4o-mini-transcribe | OpenAI | token 単位 | 実測値 ≈$0.0031/min | token 単位 |
| whisper-1 | OpenAI | 1 分単位 | $0.006/min | 非対応 |
| gpt-4o-transcribe | OpenAI | token 単位 | 実測値 ≈$0.0062/min | token 単位 |
| gpt-4o-transcribe-diarize | OpenAI | token 単位 | token 単価 | token 単位 |
| chirp-2 | 1 分単位 | $0.016/min | 非対応 | |
| chirp-3 | 1 分単位 | $0.016/min | 非対応 |
各モデルページには現在の定価を掲載しています。gpt-4o の 2 モデルに記載した ≈$/min は、7 モデルの文字起こし比較で多言語の検証音声をゲートウェイ経由で処理した際の実測値です。上記のバッチモデルは、1 つの API key で、同じ OpenAI 互換の /v1/audio/transcriptions endpoint から呼び出せます。話者分離モデルも利用できることを確認済みです。-realtime モデルは専用 interface を使う streaming モデルです。詳細は各モデルページに記載しています。
token 課金を 1 分あたりのコストに換算するといくらか？
token 課金の文字起こしは、ファイルサイズではなく発話内容に応じて料金が決まり、実際のコストは全体の中間あたりです。gpt-4o の文字起こしモデルは、tokenize の前に音声をリサンプリングします。そのため、同じ内容であれば、320 kbps の重い MP3 でも、16 kHz の軽い WAV でもコストはほぼ変わりません。ファイルを圧縮すればストレージは節約できますが、文字起こし費用は下がりません。通常の話速で測定した結果、gpt-4o-mini-transcribe は約 $0.0031/min、gpt-4o-transcribe は約 $0.0062/min でした。発話密度が高い音声や無音が多い音声では、この値が多少上下します。音声 1 時間あたりの予算に厳密な上限が必要なら分単位のモデル、概算でよければ token 課金モデルが適しています。
中国 ASR の価格帯とは何か？なぜ多くの比較記事に載っていないのか？
表の中で最も安く、streaming 対応モデルが最も充実しているのが中国 ASR です。しかし、英語圏の比較記事ではほとんど検証されていません。ByteDance の seed-asr-bigmodel は、$0.002/min で最安です。Alibaba は 3 つのファミリーを提供しています。streaming を中心とする paraformer、batch、flash、多言語対応の mtl、realtime を含む fun-asr、flash と flash-realtime を提供する qwen3-asr です。いずれも $0.002-$0.0021/min で、whisper-1 の 3 分の 1、Chirp の 8 分の 1 の料金です。
実測結果には 2 つの注意点があります。まず、seed-asr では音声の言語を事前に指定する必要があります。言語が分かっている場合は最安ですが、検証した全言語を自動判定できた最安モデルは、$0.0021 の qwen3-asr-flash です。次に、安いからといって遅いわけではありません。検証に使った音声では、qwen3-asr-flash は約 3 秒で応答し、OpenAI のモデルと同程度でした。中国語を中心とする workload では、単に安いだけでなく、本命となる選択肢です。
workload に合うモデルはどれか？
まず課金方式と streaming の要否で選んでください。クリアな音声では、精度による差はほとんどありません。用途別の候補は次のとおりです。
| 用途 | 推奨モデル | 理由 |
|---|---|---|
| 言語が既知のバッチ文字起こし | seed-asr-bigmodel | 最安の $0.002/min。言語指定が必要 |
| 複数言語または言語が不明なバッチ処理 | qwen3-asr-flash | 自動言語判定対応では最安。latency は約 3 秒 |
| リアルタイム字幕、音声入力 | paraformer-realtime-v2 または qwen3-asr-flash-realtime | 最安の $0.002 で streaming に対応 |
| OpenAI 形式でテキストを順次 streaming | gpt-4o-mini-transcribe | token 単位で出力。約 $0.0031/min |
| 話者ラベルが必要 | gpt-4o-transcribe-diarize | この一覧で唯一、話者分離に対応 |
| whisper の置き換え | whisper-1 | $0.006/min の互換性基準 |
文字起こしではなく双方向の音声会話が目的なら、別の製品カテゴリとなり、コスト構造も異なります。音声入出力の費用については、GPT Realtime の料金検証を参照してください。
よくある質問
Whisper API の料金はいくらですか？
whisper-1 の定価は音声 1 分あたり $0.006 で、音声の長さだけを基準に課金されます。形式や bitrate に関係なく、1 時間のファイルは $0.36 です。同じ音声を繰り返し送っても割引はありません。同じ clip を 5 回送信したところ、毎回同じ料金が発生しました。現在は表の半数のモデルが whisper-1 より安価です。中国 ASR は $0.002-$0.0021/min で whisper の 3 分の 1、gpt-4o-mini-transcribe の実測値は約半分でした。
高価な音声文字起こしモデルほど精度も高いですか？
クリアな音声では差がありません。7 モデルの検証では、対応言語に限れば、英語、スペイン語、フランス語の誤り率はいずれも約 0% でした。実際の選定基準になるのは、コスト、streaming、対応言語、話者分離などの機能です。アクセント、ノイズ、code-switching を含む難しい音声では、実際のサンプルを使って検証してください。文字起こし比較では、今回の検証で最初に精度差が出た中国語とヒンディー語の結果も確認できます。
streaming に対応する音声文字起こし API はどれですか？
方式は 2 つあります。gpt-4o の文字起こしモデルは、OpenAI API 形式でテキストを token 単位に streaming します。Alibaba の realtime ファミリー（paraformer-realtime-v2、qwen3-asr-flash-realtime、fun-asr-realtime）は、$0.002/min からの分単位料金で streaming に対応します。whisper-1、seed-asr、Chirp モデルは、文字起こしが完了してから全文を返します。
14 モデルすべてを、統合課金に対応した同じ gateway endpoint から利用できます。各モデルの現在の定価はモデル一覧に掲載しています。latency と精度を含む 7 モデルの実測比較は、文字起こしコストの検証を参照してください。