音声文字起こしAPI比較

記載例の最安値はAssemblyAIで、音声100時間あたり$21です。

更新日 · 7 出典 · 比較方法

用途推奨理由
算例で最も低い料金AssemblyAI$212
非ストリーミング処理の最速値DeepgramNova-3はAAで毎秒音声623.2秒を処理します。5
最も低いAA-WER v2ElevenLabsElevenLabs Scribe v2 2.2% / AssemblyAI Universal-3.5 Pro 3.0%5

性能

提供元APIとモデルIDAA-WER v2（%）音声処理速度（×）
AssemblyAI5Universal-3.5 Pro3.0%101.5×
ElevenLabs5Scribe v22.2%72.2×
Deepgram5Nova-35.2%623.2×
OpenAI5GPT Transcribe3.3%45.0×

文書で確認できる対応言語

提供元／モデルモデル固有の対応範囲
AssemblyAI · Universal-3.5 Pro18言語。英語とスペイン語を含む2
ElevenLabs · Scribe v290+言語。英語とスペイン語を含む3
Deepgram · Nova-3文書のmultiモードは英語・スペイン語を含む10言語を列挙。英語料金は単一言語モードです。6
OpenAI · GPT Transcribe英語・スペイン語・フランス語のコードを文書で確認できます。モデル固有の固定総数は公表されていません。7

料金とリクエスト費用

提供元英語／音声時間単価英語／100時間英語・スペイン語混在／時間単価英語・スペイン語混在／100時間
AssemblyAI2$0.21$21$0.21$21
ElevenLabs3$0.22$22$0.22$22
Deepgram · Nova-3 単一言語1$0.258$25.8$0.312$31.2
OpenAI4$0.27$27$0.27$27
費用例：英語のモノラル音声100時間
AssemblyAI$21
ElevenLabs$22
Deepgram$25.8
OpenAI$27

各サービスの強みと制約

  1. AssemblyAI

    AssemblyAIのUniversal-3.5 ProはAA-WER/速度の参考値が3.0% · 101.5×、基本文字起こし料金は$0.21/音声時間です。

    音声時間の基本料金
    $0.21
    算例の量
    100
    算例合計
    $21

    強み

    • Universal-3.5 Proは18言語に対応します。2

    制約

    • Universal-3.5 ProはUniversal-2の$0.15/時間より高額で、廉価モデルとは機能・対応言語が異なります。2

    出典：25

  2. ElevenLabs

    ElevenLabsのScribe v2はAA-WER/速度の参考値が2.2% · 72.2×、基本文字起こし料金は$0.22/音声時間です。

    音声時間の基本料金
    $0.22
    算例の量
    100
    算例合計
    $22

    強み

    • Scribe v2のAA-WERは2.2%で、この表では最も低い値です。5

    制約

    • Scribe v2の$0.22/時間にキーワード指定$0.05/時間と文字起こし編集$0.07/時間は含まれません。3

    出典：35

  3. Deepgram

    DeepgramのNova-3はAA-WER/速度の参考値が5.2% · 623.2×、基本文字起こし料金は$0.258/音声時間です。

    音声時間の基本料金
    $0.258
    算例の量
    100
    算例合計
    $25.8

    強み

    • Nova-3はAAで毎秒音声623.2秒を処理します。5

    制約

    • Nova-3のAA-WER 5.2%は表の他モデルより高く、料金にストリーミングと追加機能は含まれません。15

    出典：15

  4. OpenAI

    OpenAIのGPT TranscribeはAA-WER/速度の参考値が3.3% · 45.0×、基本文字起こし料金は$0.27/音声時間です。

    音声時間の基本料金
    $0.27
    算例の量
    100
    算例合計
    $27

    強み

    • GPT TranscribeのAA-WERは3.3%で、Nova-3の5.2%を下回ります。5

    制約

    • GPT Transcribeは音声時間に基づく$0.0045/分、$0.27/時で、比較した4つの基本単価で最も高くなります。4

    出典：45

比較方法と出典

AA-WER v2と非ストリーミング速度はAAの公表測定値であり、この記事で実施したテストではありません。主な費用図は追加機能なしの英語モノラル録音100時間です。DeepgramはNova-3 MonolingualのPay As You Go、$0.0043/分を使用します。英語・スペイン語混在の別料金はNova-3 Multilingualの$0.0052/分で、$0.312/時間、100時間で$31.2です。他社の掲載基本料金には、この二言語例のための別の言語加算はありません。GPT Transcribeは音声時間に対して$0.0045/分です。WERは低いほどよく、速度は毎秒に処理する音声秒数で、ストリーミング遅延ではありません。言語数は各モデルの文書に従い、言語品質の順位ではありません。OpenAIはGPT Transcribeの固定総数を公表していません。カードは英語の算例費用の昇順です。 変動する第三者性能値は更新欄に示したバッチのスナップショットであり、リアルタイムの保証値ではありません。 AAの速度係数は10分間の音声で測定した直近7日間の中央値です。

  1. Deepgram · Nova-3 仕様と料金
  2. AssemblyAI · Universal-3.5 Pro 仕様と料金
  3. ElevenLabs · Scribe v2 仕様と料金
  4. OpenAI · GPT Transcribeの仕様と料金
  5. Artificial Analysis · AA-WER v2の非ストリーミング評価
  6. Deepgram · Nova-3の言語モード
  7. OpenAI · GPT Transcribeの言語ヒント

文字起こし後の処理にNovita LLMを使う

Novita Model APIsで文字起こしテキストの要約を作成できます。上記の音声認識エンドポイントと料金は、記載した外部プロバイダーのものです。

開発を始めるモデルを見る