このページの内容を1枚にまとめた画像

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
+
1M音声トークンGemini TTS
(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
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$0.0045Deprecated
MAI-Voice-2.1$0.0066現行
OpenAI tts-1-hd$0.0090Deprecated
Gemini 3.8 Flash-Lite TTS$0.0090 → $0.01802027-01-01改定
Gemini 3.8 Flash TTS$0.0135 → $0.02702027-01-01改定
OpenAI gpt-4o-mini-tts約$0.018Deprecated・概算
Gemini 3.1 Flash TTS Preview$0.0300Preview

同じ数字を棒で見る(1分あたり)

MAI-Voice-2.1-Flash$0.0045
OpenAI tts-1(非推奨)$0.0045
MAI-Voice-2.1$0.0066
Gemini 3.8 Flash-Lite TTS$0.0090
Gemini 3.8 Flash TTS$0.0135
gpt-4o-mini-tts(非推奨)約$0.018
Gemini 3.1 Flash TTS Preview$0.0300
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)

出典(すべて2026-11-15取得)