Speech-to-Text API Cost Calculator

Speech-to-Text Cost Calculator は、OpenAI Whisper API (1 分あたり 0.006 ドル)、Google Cloud Speech-to-Text (標準モデルの場合は 1 分あたり 0.016 ドル)、AWS Transcribe (1 分あたり 0.024 ドル)、Deepgram (Nova-2 の場合は 1 分あたり 0.0043 ドル)、AssemblyAI (1 分あたり 0.0065 ドル) などの AI サービスを使用して音声をテキストに書き起こす費用を見積もります。これらのサービスは、音声の品質、言語、選択したモデルに応じて、話し言葉を 90 ～ 98% の精度で書き言葉に変換します。 この計算ツールは、ポッドキャスト制作会社、コールセンター分析チーム、法的文字起こしサービス、ビデオ コンテンツにキャプションを付けるメディア会社、および自動文字起こしを生成する会議生産性ツールに役立ちます。 60 分のポッドキャスト エピソードの文字起こしには、Whisper API の場合は 0.36 ドル、Google Speech の場合は 0.96 ドル、Deepgram の場合は 0.26 ドルかかります。大規模になると、これらの違いはさらに大きくなります。月あたり 10,000 時間の通話を文字起こしするコールセンターの場合、Whisper の場合は 3,600 ドル、Google の場合は 9,600 ドル、Deepgram の場合は 2,580 ドルを支払うことになります。 この計算ツールでは、基本的な文字起こしコストのほかに、価格に影響を与える機能、つまり話者ダイアライゼーション (誰が何を言ったかを特定する)、リアルタイム処理とバッチ処理 (通常、リアルタイムは 2 ～ 3 倍のコストがかかります)、特殊な語彙モデル、書式設定、句読点の挿入、段落分割などの後処理コストも考慮します。全体のコストスタックを理解することは、チームが精度要件と予算の制約に応じて適切なサービスを選択するのに役立ちます。

DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.

1. 11 か月あたりに文字起こしする合計音声時間を決定します。分または時間単位で測定し、録音済み (バッチ) オーディオとライブ (リアルタイム) オーディオを区別します。通常、バッチ転写の方が安価であり、より長い処理時間も許容できます。リアルタイム文字起こしは結果をオーディオ ストリームとして提供しますが、低遅延処理の計算量が多いため、コストが 1.5 ～ 3 倍かかります。
2. 2精度要件、言語サポート、予算に基づいて文字起こしサービスを選択してください。 Whisper API は、1 分あたり 0.006 ドルで、ほとんどの言語に対して最高の価格と品質の比率を提供します。 Deepgram Nova-2 は、競争力のある精度を備えた 1 分あたり 0.0043 ドルの最も安価なオプションです。 Google Cloud と AWS は、最も広範な言語サポートと、それぞれのクラウド エコシステムとの統合を提供します。 AssemblyAI は、最高の話者ダイアライゼーション機能とコンテンツ分析機能を提供します。
3. 3価格に影響する文字起こし機能を構成します。話者ダイアライゼーション (異なる話者の識別) は、ほとんどのプラットフォームで基本的な文字起こしコストに 10 ～ 30% 追加されます。最新のサービスには、句読点と大文字の使用がデフォルトで含まれています。リアルタイム ストリーミングはバッチ処理よりも 2 ～ 3 倍のコストがかかります。一部のプラットフォームでは、カスタム語彙または業界固有のモデルに追加料金がかかる場合があります。
4. 4合計音声時間に分あたりの料金を乗じて、基本的な文字起こしコストを計算します。リアルタイム ワークロードとバッチ ワークロードが混在している場合は、標準レートのバッチ オーディオと高いレートのリアルタイム オーディオというように、それぞれを個別に計算します。 2 つを合計すると、毎月のトランスクリプション費用の合計となります。
5. 5必要に応じて後処理コストを追加します。生の文字起こし出力には、多くの場合、段落区切り、話者ラベル、タイムスタンプの挿入、フィラーワードの削除、ドメイン固有の修正などの書式設定が必要です。 LLM (GPT-4o-mini) を使用した自動後処理には、処理される音声 1 分あたり約 0.001 ドルから 0.005 ドルの費用がかかります。人間の編集者による手動の後処理には、必要な精度に応じて、音声 1 分あたり 0.50 ドルから 2.00 ドルの費用がかかります。
6. 6音声ファイルとトランスクリプトのストレージ コストを考慮に入れてください。 128 kbps のオーディオ ファイルは 1 分あたり約 1 MB を消費します。転写テキストのサイズは無視できます。クラウド ストレージは月額 1 GB あたり 0.02 ドルで、10,000 時間のオーディオ (600 GB) を保存するには月額 12 ドルかかります。コンプライアンスのために音声を保持する必要がある場合は、この継続的なストレージ コストを含めてください。
7. 7総コストを人間による文字起こしサービスと比較します。プロによる人間による文字起こしの費用は、標準納期の場合、音声 1 分あたり 1.00 ～ 3.00 ドル、急ぎの場合は 2.00 ～ 5.00 ドルです。 AI 文字起こしは 1 分あたり 0.004 ～ 0.024 ドルで、40 ～ 750 分の 1 のコストになります。人間による品質レビューに 1 分あたり 0.25 ～ 0.50 ドルが追加されたとしても、AI 支援による文字起こしは完全な手動文字起こしよりも 50 ～ 85 パーセント安いままです。

• !バッチ ワークロードに対するリアルタイム価格設定の使用:
• !オーディオ品質が精度に与える影響を考慮していない:
• !マルチスピーカーオーディオのスピーカーダイアライゼーションコストを無視する: