文字起こし料金計算
音声 1 時間は Whisper や gpt-4o-transcribe（1 分 $0.006）で $0.36、gpt-4o-mini-transcribe で $0.18、Gemini 3 Flash Preview は音声入力のみで $0.09（1 秒 25 トークン × 3,600 秒 = 90,000 トークン × 100 万あたり $1）です。公式価格、2026 年 10 月 16 日確認。
使い方
- 音声の合計時間を分で入力します。2 時間 30 分なら 150 です。
- Gemini は書き起こした文字を出力トークンとして別に課金します。音声 1 分あたりの出力トークンの見込みを入れられます。0 なら音声入力の料金だけを表示します。
- モデルごとの合計と 1 時間あたりの料金を比べます。
計算方法
OpenAI の文字起こしモデルは 1 分あたりの推定料金で掲載されています。gpt-transcribe $0.0045、gpt-4o-mini-transcribe $0.003、gpt-4o-transcribe と gpt-4o-transcribe-diarize $0.006、Whisper $0.006、リアルタイムの gpt-live-transcribe $0.017。料金 = 分 × 1 分あたり単価。出典：developers.openai.com/api/docs/pricing、2026 年 10 月 16 日確認。
Gemini は音声をトークンで数えます。Gemini 2.5 は 1 秒 32 トークン（ai.google.dev/gemini-api/docs/tokens）、Gemini 3 は 1 秒 25 トークン（docs/media-resolution）。1 時間で 2.5 は 115,200、3 は 90,000 トークンです。
Gemini の音声入力単価（100 万トークンあたり）：3 Flash Preview $1.00、3.1 Flash-Lite $0.50、2.5 Flash $1.00、2.5 Flash-Lite $0.30。3.1 Pro Preview は音声の別単価がなく、プロンプト 20 万トークンまで入力単価 $2.00 が適用されます。料金 = 音声トークン × 音声単価 + 出力トークン × 出力単価。出典：ai.google.dev/gemini-api/docs/pricing、2026 年 10 月 16 日確認。
音声 1 時間の料金
| モデル | 1 時間あたり | 根拠 |
|---|---|---|
| gpt-4o-mini-transcribe | $0.18 | 1 分 $0.003 |
| gpt-transcribe | $0.27 | 1 分 $0.0045 |
| gpt-4o-transcribe / Whisper | $0.36 | 1 分 $0.006 |
| gpt-live-transcribe | $1.02 | 1 分 $0.017 |
| Gemini 2.5 Flash-Lite | $0.0346 | 115,200 トークン × $0.30 |
| Gemini 3 Flash Preview | $0.09 | 90,000 トークン × $1.00 |
1 分単価に含まれないもの
- Gemini は書き起こした文字もモデルの出力単価で課金します（例：3 Flash Preview は 100 万トークン $3.00）。含めるには出力トークンの見込みを入力してください。
- バッチや flex の割引、無料枠、税は含みません。
- OpenAI は 1 分あたりの金額を推定料金として示しています。gpt-4o-transcribe 系は実際には音声トークンで課金されるため、無音の長い録音は少し変わることがあります。
よくある質問
Whisper で 1 時間を文字起こしするといくら？
1 分 $0.006 なので約 $0.36 です。gpt-4o-mini-transcribe はその半分の 1 時間 $0.18 です。
Gemini は Whisper より安いですか？
音声入力だけならたいてい安いです。Gemini 3 Flash Preview で 1 時間は 90,000 トークン、$0.09 です。ただし書き起こし文が出力として課金され、1 時間あたり数セント増えることがあります。
話者分離は高くなりますか？
gpt-4o-transcribe-diarize は gpt-4o-transcribe と同じ 1 分 $0.006 で掲載されています。
リアルタイムモデルが高いのはなぜ？
gpt-live-transcribe は音声の再生中に文字を流し続けるモデルで、1 分 $0.017、ファイル型モデルの約 3 倍です。