
音声API料金比較 【2026年11月版】
このページの範囲: 読み上げ(TTS)と文字起こし(STT)の単価を「1分」「1時間」にそろえて並べます。課金単位が4種類(1M文字・1Mトークン・1分・1時間)に分かれているため、そのままでは比べられません。換算の前提は折りたたみに明記しています(各社公式ページを2026-11-15に取得)。
結論(3行)
- 日本語ナレーション → MAI-Voice-2.1-Flash($0.0045/分)。OpenAI tts-1 も同額だが Deprecated なので現行では選ばない。
- 文字起こし(録音ファイル) → MAI-Transcribe-2($0.10/時間)。年末までの期間限定価格。次点は Meta Muse Voice Transcribe の $0.18/時間。
- リアルタイム対話 → 分単価が1桁違う($0.023/分〜)。録音ファイルの処理と同じ表で比べない。
なぜ換算が要るのか
1M文字OpenAI tts-1 系
MAI-Voice
MAI-Voice
+
1M音声トークンGemini TTS
(1秒=25トークン)
(1秒=25トークン)
+
1時間Transcribe 系
→
そろえた土台TTS: 1分/1,000字
STT: 1時間
STT: 1時間
単位をそろえずに「$9 対 $15」を見ると、実際には3分の1のモデルを「3倍高い」と読み違えます。
読み上げ(TTS)
| モデル | 1分 | 状態 |
|---|---|---|
| MAI-Voice-2.1-Flash | $0.0045 | 現行 |
| OpenAI tts-1 | $0.0045 | Deprecated |
| MAI-Voice-2.1 | $0.0066 | 現行 |
| OpenAI tts-1-hd | $0.0090 | Deprecated |
| Gemini 3.8 Flash-Lite TTS | $0.0090 → $0.0180 | 2027-01-01改定 |
| Gemini 3.8 Flash TTS | $0.0135 → $0.0270 | 2027-01-01改定 |
| OpenAI gpt-4o-mini-tts | 約$0.018 | Deprecated・概算 |
| Gemini 3.1 Flash TTS Preview | $0.0300 | Preview |
同じ数字を棒で見る(1分あたり)
1,000字あたりの単価と、換算前の課金単位(内訳)
TTS: 1,000字あたり(1,000字 = 3分20秒として換算)
| モデル | 1,000字 |
|---|---|
| MAI-Voice-2.1-Flash | $0.0150 |
| OpenAI tts-1 | $0.0150 |
| MAI-Voice-2.1 | $0.0220 |
| OpenAI tts-1-hd | $0.0300 |
| Gemini 3.8 Flash-Lite TTS | $0.0300 → $0.0600 |
| Gemini 3.8 Flash TTS | $0.0450 → $0.0900 |
| OpenAI gpt-4o-mini-tts | 約$0.060 |
| Gemini 3.1 Flash TTS Preview | $0.1000 |
STT: 換算前の課金単位(上の表はすべて1時間に換算済み)
| モデル | 課金単位 |
|---|---|
| MAI-Transcribe-2 | 時間 |
| Meta Muse Voice Transcribe | 時間(秒単位・切り捨て) |
| Gemini 3.5 Transcribe | トークン |
| Gemini 3.5 Transcribe Live | トークン |
| MAI-Transcribe-2-Streaming | 時間 |
| OpenAI gpt-live-transcribe | 分($0.017/分) |
文字起こし(STT)
| モデル | 1時間 | 状態 |
|---|---|---|
| MAI-Transcribe-2 | $0.10 | 年末までの期間限定 |
| Meta Muse Voice Transcribe | $0.18 | 現行 |
| Gemini 3.5 Transcribe | $0.18(目安$0.30) | 現行 |
| Gemini 3.5 Transcribe Live | $0.30(目安$0.54) | 現行(双方向) |
| MAI-Transcribe-2-Streaming | $0.54 | 年内の導入価格 |
| OpenAI gpt-live-transcribe | $1.02 | 現行 |
注意(4点)
- OpenAI の文字課金TTS 3モデル(tts-1 / tts-1-hd / gpt-4o-mini-tts)は Deprecated。比較用に残していますが、新規採用の候補ではありません。
- 「1分=300文字」は当サイトの前提です(日本語ナレーション想定)。英語は約3倍速いため、文字課金モデルは1分あたりの消費文字数が増えます。
- Gemini の TTS 2モデルは 2027-01-01 に単価が2倍になります(表の → の右側)。
- gpt-4o-mini-tts は音声トークンの秒換算が公式に無いため、1分単価は概算です。
換算の前提と、公式の逐語(クリックで開く)
- 音声トークン: 1秒 = 25トークン(1分 = 1,500) — Google公式の注記
- 文字→音声の長さ: 1分 = 300文字(5文字/秒) — 当サイトの前提(公式に読み上げ速度の規定は無い)
- 1,000字 = 3分20秒(200秒)/1時間 = 18,000文字 — 上記からの計算
- 通貨は USD のみ・為替換算なし
Audio tokens correspond to 25 tokens per second of audio.
— ai.google.dev/gemini-api/docs/pricing(2026-11-15取得)