2026年のおすすめ音声認識モデル
当サイトでレビューした14件の音声認識モデルのうち、現在のおすすめはNVIDIA Nemotron 3.5 Transcribe、ElevenLabs Scribe v2、Voxtral 3 (Transcribe and TTS)です。各製品を当サイトの評価順に並べ、料金、評価のまとめ、向いている人を記載しています。
執筆： Andrew Miller · 2026年11月2日更新 · レビューの方法
ランキングの方法：各製品の料金、ドキュメント、ポリシー、さらに独立した ベンチマークがある場合はそれも基にしたレビューで、5点満点の評価順に並べています。各情報はレビューに記載の日付に確認したものです。アフィリエイト報酬は受け取っていません。
- 1
精度で最良のオープンな競合に並び、話者分離、翻訳、独自の語彙を1つのプロンプトにまとめたオープンな音声モデルです。ホスト型なら1時間$0.12です。
おすすめの人： 録音した通話、会議、メディアを大量に文字起こしし、複数のモデルをつなぎ合わせずに話者ラベルと専門語彙を得たいチームに向いています。
料金： OpenMDW-1.1のオープンウェイトです。DeepInfra：音声1分あたり$0.002（1時間$0.12）。OpenRouterはほぼ同じ料金でDeepInfraに振り分けます。
NVIDIA Nemotron 3.5 Transcribeのレビューを読む4.5/5 - 2
Scribe v2は正確に文字起こしし、秘匿化や話者の処理まで代わりにこなします。ただしMicrosoftは現在、より高い精度を半額以下で販売しています。
おすすめの人： 正確な文字起こしに加えて、話者ラベルと秘匿化が必要な会議、メディア、臨床向けの製品。
料金： API：Scribe v2とv2 Medicalは音声1時間あたり$0.22、Scribe v2 Realtimeは1時間あたり$0.39。キーワードのプロンプト指定は1時間あたり$0.05の追加。月$6からのプランに時間枠が含まれます。
ElevenLabs Scribe v2のレビューを読む4.4/5 - 3
1分あたり3分の1セントで、独立した文字起こしテストの上位に入り、EUのエンドポイントもあります。音声合成は競争力がある程度にとどまり、今回はオープンウェイトのものはありません。
おすすめの人： 会議、通話、メディアを大量に文字起こしし、特に欧州で、最上位の精度を低い分単価で求めるチームです。
料金： Mini Transcribe 3は1分$0.0035、Small Transcribe 3は1分$0.0040、Mini Transcribe Realtime 3は1分$0.008、TTS 3は100万文字あたり$13です（報じられた公開時の価格）。
Voxtral 3 (Transcribe and TTS)のレビューを読む4.4/5 - 4
ほとんどの文字起こしには十分な精度と安さですが、もはや精度でも価格でも当然の選択ではありません。
おすすめの人： すでにGemini APIを使っていて、ファイルとストリーミングの文字起こしを1つのベンダーから1分あたり約0.5セントで使いたいチームに向いています。
料金： Transcribeは1分あたり約$0.005（100万トークンあたり入力$2 / 出力$12）、Transcribe Liveは1分あたり約$0.009（$3.50 / $21）。AI StudioとAPIに無料枠があります。
Gemini 3.5 Transcribeのレビューを読む4.2/5 - 5
CPUやMacでの文字起こしなら、Parakeet Reduxは英語の精度を少し、ノイズへの強さを大きく犠牲にする代わりに、7分の1のサイズで2倍以上速いモデルになります。
おすすめの人： GPUなしでParakeetの25言語を使いたい、CPU、ノートPC、Macでそれなりにきれいな音声を文字起こしする開発者。
料金： 重みはCC BY 4.0で無料です（帰属表示をすれば商用利用可）。無料のPythonパッケージmoondreamでローカル実行します。
Moondream Parakeet Reduxのレビューを読む4.1/5 - 6
Parakeet v3は文字起こしの速度記録を持つモデルで、精度はWhisper並み、対応範囲はヨーロッパに厳しく限られます。
おすすめの人： 速度と低コストを重視し、ヨーロッパ言語の音声を大量に文字起こしする開発者。
料金： CC BY 4.0で無料です。Together AIのホスト版は1分あたり$0.0015（1,000分あたり$1.50）です。
Parakeet TDT 0.6B v3のレビューを読む4.1/5 - 7
Phonon-2は、15分の1のサイズでほぼ同 じ精度のParakeetで、質の高い英語の文字起こしをアプリのダウンロードに収められるようにします。
おすすめの人： 数GBのモデルを配布せずに、ノートPC、スマートフォン、CPUサーバーで正確な英語の音声認識を必要とするアプリ開発者。
料金： 重みはCC-BY-4.0で無料、CLIとコードはApache 2.0、DettaアプリはApple Silicon搭載Macで無料です。
Phonon-2のレビューを読む4.1/5 - 8
話者を聞き分けるオープンなモデルの定番であることは変わらず、3.1からは明らかに進歩しています。ただし難しい音声では、開発元自身の有料モデルのほうが誤りが約3分の1少なくなります。
おすすめの人： 制限の緩いライセンスで話者のラベルを必要とする、セルフホストの会議、通話、ポッドキャストの文字起こしを作るエンジニア。
料金： CC BY 4.0で無料。pyannoteAIのホスト版は音声1時間あたり€0.035です。有料のPrecision-3のモデルは1時間あたり€0.112（Developer、月€19）または€0.096（Starter、月€99）です。
pyannote speaker-diarization-community-1のレビューを読む4.1/5 - 9
Nova-3はライブ通話の音声に使えるほど速く安価ですが、中立的なテストでは精度上位のモデルの2倍以上の誤りを出します。
おすすめの人： 自社サーバーも含め、電話音声を高速かつ大量の同時接続で文字起こしする必要があるコンタクトセンターやライブ字幕のチーム。
料金： 録音済み音声は従量課金で1分$0.0043（単一言語）または$0.0052（多言語）。ストリーミングはキャンペーン価格で1分$0.0048、通常は$0.0077。年$4,000からのGrowthプランはより安価です。$200の無料クレジットがあります。
Deepgram Nova-3のレビューを読む4.0/5 - 10
OpenAIを使う組織にとって妥当なアップグレードです。ただし、その前提となる旧モデルの廃止で話者ラベルとタイムスタンプが失われ、このモデルはそれを取り戻しません。
おすすめの人： 2027年2月までにWhisperやGPT-4o Transcribeから移行しなければならず、話者ラベルやタイムスタンプを必要としないOpenAI APIのユーザー。
料金： 音声1分あたり$0.0045（1,000分あたり$4.50）。Batchには対応しません。ストリーミング用のgpt-live-transcribeは1分あたり$0.017です。
GPT Transcribeのレビューを読む3.9/5 - 11
MOSS-Transcribe-Diarizeは2つのモデルからなる会議用パイプラインを1つの小さなモデルに置き換えます。ベンチマークでの勝利は主に中国語（普通話）でのものです。
おすすめの人： 長い複数話者の録音を自前のGPUで、特に中国語で文字起こしし、別の話者分離モデルなしで話者ラベルを得たい チームに向いています。
料金： Apache 2.0で無料です。より大きなProモデルはMOSIのオンラインプレイグラウンドで提供されており、APIの料金は公開されていません。
MOSS-Transcribe-Diarize 0.9Bのレビューを読む3.9/5 - 12
VibeVoice-ASRは1時間の会議を1回で話者ラベル付きの文字起こしにします。ただし、精度の数値は今もすべてMicrosoft自身のものです。
おすすめの人： 複数の話者がいる長い録音を自前のハードウェアで文字起こしし、別のダイアライゼーション工程なしに話者ラベルがほしいチームです。
料金： MITライセンスで 無料です。Azure AI Foundry Labsでも利用できます。
VibeVoice-ASRのレビューを読む3.8/5 - 13
16.9 MBで実用になる7言語の音声認識です。ただしベンダーはエンジンを非公開にし、テレメトリーを有効にしたままにしています。
おすすめの人： Whisperには小さすぎるハードウェアで、欧州の言語のオフラインの音声コマンドを必要とするデバイスのメーカー。
料金： Apache 2.0の無料のオープンウェイトで、ビルド済みのエンジンも無料でダウンロードできます。Cactusは自社のプラットフォームでファインチューニングと導入の支援を販売していますが、価格は公開されていません。
Whistleのレビューを読む3.8/5 - 14
Whisper turboは今や、勝つモデルではなく、新しい音声モデルが比較される安価で制限のない基準です。
おすすめの人： 自前でホストできるか、1時間数セントで買える、安価で寛容なライセンスの文字起こしが必要で、2番手の精度を受け入れられるチームです。
料金： MITライセンスで無料です。ホスト版も安く、Artificial AnalysisではGroqが1,000分あたり約$0.67とされています。
Whisper large-v3-turboのレビューを読む3.7/5
出典
ランキング内の各レビューの主な公式情報源です。全出典は各レビューに記載しています。
- NVIDIA Nemotron 3.5 Transcribe: Hugging Face: nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B model card
- ElevenLabs Scribe v2: ElevenLabs API pricing
- Voxtral 3 (Transcribe and TTS): Mistral docs: changelog (Voxtral 3, 20 October 2026)
- Gemini 3.5 Transcribe: Gemini API: Gemini 3.5 Transcribe model page
- Moondream Parakeet Redux: Hugging Face: moondream/parakeet-redux model card
- Parakeet TDT 0.6B v3: Parakeet TDT 0.6B v3 model card
- Phonon-2: Hugging Face: FermionResearch/Phonon-2 model card
- pyannote speaker-diarization-community-1: Hugging Face: pyannote/speaker-diarization-community-1 model card
- Deepgram Nova-3: Deepgram: Introducing Nova-3
- GPT Transcribe: OpenAI: GPT Transcribe model page
- MOSS-Transcribe-Diarize 0.9B: MOSS-Transcribe-Diarize model card (Hugging Face)
- VibeVoice-ASR: VibeVoice-ASR model card
- Whistle: Cactus Compute: Whistle, Speech to Text in 16.9 MB
- Whisper large-v3-turbo: Whisper large-v3-turbo model card