Google音声認識サービスの料金内訳

文字起こしのコストを見積もっている場合、正直に言えば、Google Speech-to-Text には単一の定価は存在しません。2026年10月6日時点（米ドル）で、コアとなるクラウドAPIは毎月60分の無料枠から始まり、その後はデータロギングを有効にした標準モデルで音声1分あたり約$0.016が課金されます。これは他のGoogle Cloud料金が発生する前で、1時間あたりおよそ$0.96に相当します。この数字はあくまで出発点にすぎません。なぜなら、実際の請求額はAPIバージョン、ロギングの選択、ストレージ、ネットワーク、そして音声がどのようにリクエストに分割されるかによって変動するからです。この解説では、google speech to text の料金の背後にある要因、1分あたりの料金に含まれるものと含まれないもの、そしてその分単位の計算が当社独自のクレジットベースの Speech to Text ワークフローとどう比較されるかを詳しく説明します。

目次

正直な価格帯と、単一の定額価格が存在しない理由

標準的なクリエイターが標準のロギング済み音声をクラウドAPIに送信する場合、実効的な価格帯は、追加のGoogle Cloudサービスが関わる前で、文字起こしされた音声1時間あたり$0から約$0.96の範囲に収まります。無料枠は請求アカウントごとに毎月最初の60分の音声をカバーし、それを超えると2026年10月6日時点で1分あたり$0.016（米ドル）が課金されます。60分にその料金を掛けると、約$0.96という時間単位の数字が得られます。

普遍的な定額価格が存在しない理由は、6つの変数が最終的な数字を左右するからです。無料枠を超えて何分の課金対象音声を送信するか、データロギングを有効にするかどうか、どのAPIバージョンとモデルを選ぶか、クラウドで実行するかOn-Premオプションで実行するか、他のGoogle Cloudサービスをいくつ追加するか、そして各リクエストを課金対象の秒数に変換する丸めルールです。これらすべてがアカウントごとに変動し、時間とともに変わる可能性があるため、予算は記憶された数字ではなく、現在のGoogle Cloud料金ページと実際の月間使用量に紐付けるべきです。

Googleがクラウド Speech-to-Text をどう請求するか

Googleはクラウド Speech-to-Text の料金を、文字数ではなく時間で測定した、正常に処理された音声の量に基づいて設定します。この課金単位は、ほとんどの計画用スプレッドシートが想定しているよりも重要です。Speech-to-Text のリリースノートによると、2026年時点ですべてのモデルは同じルールで課金されます。各リクエストは最も近い1秒単位に切り上げられ、最小音声長はありません。これは以前の各リクエストを最も近い15秒単位に切り上げる方式を置き換えたもので、その旧方式は一部のOn-Premの参照資料や古い例にまだ現れます。

1秒単位の丸めは、短いコンテンツの経済性を変えます。3秒のソーシャルフックやマイクロラーニングのクリップは、15秒ではなく3秒として課金されるため、多数の短いファイルを公開するクリエイターは、各リクエストに対するパディングのペナルティを支払う必要がなくなりました。

無料と有料の区分については、Googleは標準の「データロギングあり」SKUを掲載しており、請求アカウントごとに毎月最初の60分の音声が無料です。それを超えると、追加の1分ごとに2026年10月6日時点で$0.016（米ドル）が課金されます。

データロギングは独自のコスト要因です。Googleは従来、モデル改善のためのロギングにオプトインするかどうかによって異なる料金を提供しています。Google Cloudのドキュメントに基づくサードパーティのまとめでは、標準モデルはロギング有効時に15秒あたり約$0.004（1分あたり約$0.016）、ロギングなしで15秒あたり約$0.006（1分あたり約$0.024）と報告されています。非ロギング料金は公開の料金スニペットに完全には表示されていないため、「ロギング済みよりわずかに高い」ものとして扱い、予算を確定する前に現在の料金ページで正確な数字を確認してください。

APIバージョンと機能セットも議論に入ってきます。GoogleのメインのSpeech-to-Textページでは、料金はAPIバージョン、チャンネル、バッチ方式に依存すると述べられており、Chirpモデルとデータレジデンシーオプションを備えたV2 APIについて、特定のユースケースで1分あたり約$0.016の価格が説明されており、これは標準のロギング済み料金と一致します。監査ロギングや顧客管理暗号鍵などの機能はバージョンによって異なりますが、コアとなる価格の要因は一定のまま、つまりコンテンツタイプや言語ではなく、処理された音声の分数です。

On-Premオプションもあり、月あたりの処理音声で価格設定され、リクエストは15秒単位に切り上げられます。GoogleのOn-Premページでは、3つの7秒のリクエストが45秒（3 × 15秒）として合計$0.018（米ドル）で課金される例を示しており、これは15秒あたり約$0.006、つまりその掲載料金からの計算上の推定として1分あたり約$0.024の実効料金を意味します。On-Premは、ロックダウンされた自己管理環境向けに構築されており、一般的には厳格なデータレジデンシーやオフライン要件を持つ規制対象の企業にのみ関係します。

1分あたりの料金に含まれるものと除外されるもの

分単位の料金は、スタックの特定の一部分を購入します。それは、選択したモデル（標準、Chirpなど）を使用した音声からテキストへの文字起こし、選択したバージョンと構成に応じたバッチまたはストリーミング認識へのアクセス、そして標準のロギング済みクラウド使用に対する月60分の無料枠をカバーします。新しいGoogle Cloudアカウントは、各種サービスにわたる概念実証のための一般的な$300（米ドル）のクレジットを受け取ることも多く、これは初期テスト中にSpeech-to-Textに適用できます。

分単位の料金に含まれないものこそ、通常、想定外のコストが隠れている場所です。

• 音声ファイルを保持するために使用するCloud Storage。
• 音声や文字起こしの配信・エクスポートのためのネットワークエグレス。
• Cloud Functions、Pub/Sub、データベースなど、パイプライン内の他のGoogle Cloudサービス。
• 税金と地域ごとの請求調整。

Googleはまた、音声およびテキストAPIを使用するために課金を有効にすることを要求していますが、無料クォータまたはアカウント上の一般クレジットを超えない限り課金されません。「動画をアップロードし、文字起こしを取得し、それから吹き替える」ことが本当の目的であるクリエイターにとって、これらの除外されたインフラコストは、整然とした分単位の明細項目と、継続的なモニタリングが必要な複数サービスの請求書との違いを生みます。

分単位課金 vs. 当社のクレジットベース Speech to Text

当社の Speech to Text は、AI吹き替え、音声クローン、Text to Speech、Speech Separator、Text to Image、Image to Video もカバーする、単一のメディア作成・ローカライゼーションプラットフォームの中にあります。分単位のインフラ課金ではなく、繰り越し可能なプラットフォームクレジット、無料枠、エンタープライズプランを使用しています。その構造的な違いこそが本当の比較対象であり、単一の数字での一対一の対決ではありません。

実際的な結論は予測可能性です。分単位課金では、コストは処理された音声と、触れるすべての他のCloud製品に応じて線形にスケールするため、使用状況の指標とログを継続的にモニタリングすることになります。クレジットでは、残高を事前購入し、各ツールにわたる消費を追跡し、使わなかった分を繰り越すため、月に動画、ポッドキャスト、コースが混在する場合の予測が簡素化されます。当社は両方の層に対応しています。クリエイターは単一のインターフェースを得られ、開発者は Text to Speech や AI吹き替え と並んで当社のAPIを通じて文字起こしを統合できます。

文字起こしが機械的にどう機能するかを再度説明するのではなく、音声をテキストに書き起こす方法や音声認識APIの選び方に関する当社のガイドがワークフローをカバーしています。このページは金銭的な計算にご利用ください。

信頼できる見積もりに必要な正確な入力項目

クラウド側で google speech to text の料金を実際の月間予算に変えるには、8つの入力を集めます。プロジェクトおよびアカウントごとの推定月間課金対象分数（最初の無料60分を差し引いた後）、データロギングの決定、APIバージョンとモデル、バッチ認識・ストリーミング・その両方のどれを使うか、音声チャンネル構成（モノラルvsステレオとチャンネル数）、生音声と文字起こしのストレージ戦略、それらのファイルをエクスポートするためのネットワークエグレス計画、そしてリクエストの組み合わせ（多数の短いクリップ vs. 少数の長いファイル）の丸めの影響です。これらがあれば、課金対象分数を正しい米ドル料金に掛け、別途のインフラ明細項目を加算します。

当社側での同等の見積もりには、コンテンツタイプ別に月間で文字起こしすると見込む総分数、文字起こしと吹き替えを組み合わせる場合のソース言語とターゲット言語、同じワークフローで音声クローン、Text to Speech、Speech Separation、または Image to Video も使う予定があるかどうか、チームの規模と同時実行数、APIとダッシュボード使用の割合、そして品質基準（編集グレードの文字起こし vs. 本番対応の字幕）をお知らせください。これらの回答により、製品ごとに別々の分単位予算を持つ代わりに、文字起こしと関連ツールを1つの残高の下でカバーするクレジットバンドルを推奨できます。これらのいずれかがまだ不明な場合は、お持ちの情報を送っていただければ、それに合わせてバンドルのサイズを調整します。

料金計算の具体例

以下のすべての数字は、Googleが公表している1分あたりの料金を使用した簡略化された推定値であり、データロギングを有効にした標準モデルを前提としています。実際の請求額はモデルの選択、ロギング、その他のサービスによって変動し、Cloud Storageとネットワークコストを除外しています。

YouTubeクリエイター、週1回の20分動画。月間音声は 4 × 20 = 80分です。最初の60分は無料で、課金対象は20分残り、$0.016で、文字起こしの推定月額は$0.32です。

ポッドキャストプロデューサー、月10時間。これは600分で、無料の60分を差し引くと540分が課金対象として残ります。推定は 540 × $0.016 = 月額$8.64です。

トレーニングチーム、月50時間のウェビナー。これは3,000分で、無料の60分を差し引くと2,940分が課金対象として残り、推定は 2,940 × $0.016 ≈ 月額$47.04です。

これらはいずれも文字起こし料金のみを示しています。クラウド側ではストレージとエグレスを加算してください。そして、文字起こしが吹き替えやナレーションに供給されるローカライゼーションが混在する月こそ、まさに単一の繰り越しクレジット残高が平準化するために作られているシナリオであることを覚えておいてください。

よくある質問

Google Speech-to-Text は無料ですか？

Googleは、請求アカウントごとに、データロギングを有効にした標準モデルで毎月60分の文字起こしを無料で提供しています。新しいCloudユーザーは、Googleサービス全体でのより広範な実験のための別途の$300（米ドル）クレジットを受け取る場合もあります。

拡張モデルは標準より高価ですか？

いいえ。Googleのリリースノートでは、拡張モデルはもはや標準モデルと異なる価格設定ではなく、すべてのモデルの使用は標準モデルと同様に報告・価格設定されると述べられています。

短いクリップは現在どのように課金されますか？

すべてのクラウド Speech-to-Text リクエストは、最小音声長なしで最も近い1秒単位に切り上げられ、クラウド使用に対する以前の15秒丸めを置き換えています。On-Premの参照資料では、まだ15秒単位が使用される場合があります。

分単位の料金にはストレージとネットワークが含まれますか？

いいえ。1分あたりの料金は文字起こしのみをカバーします。Cloud Storage、ネットワークエグレス、その他のGoogle Cloudサービスは、それぞれ独自の料金で別途課金されます。

これは御社の Speech to Text とどう比較されますか？

Googleは音声の分（または秒）あたりで課金し、インフラコストが別途かかりますが、当社はSpeech to Textに加えて吹き替え、Text to Speech、音声クローン、関連ツールを1つのワークフロー内でカバーするクレジットベースのモデルを使用し、繰り越しクレジットと大規模チーム向けのエンタープライズオプションを備えています。