音声文字起こしAIモデル・プロバイダーランキング
音声文字起こしモデルとプロバイダーの単語誤り率、速度、料金を比較します。
詳しくは方法論ページをご覧ください。
AA-WER Index(非ストリーミング)
Artificial Analysis単語誤り率指数(非ストリーミング)
WER(非ストリーミング)データセット別
AA-WER(非ストリーミング): AA-AgentTalkデータセット
話者ダイアライゼーション
Artificial Analysis Diarization Index
データセット別の話者ダイアライゼーション
WDER: AA-Diarizationデータセット
APIベンチマーク
Artificial Analysis単語誤り率指数(非ストリーミング)vs. 料金
速度係数
文字起こし料金
主要指標の概要と詳細情報
プロバイダー | 詳細情報 | ||||
|---|---|---|---|---|---|
Qwen3.5 Omni Flash | 13.5% | 79.7 | $1.51 | ||
Fun-Realtime-ASR-preview | 1.7% | 20.5 | $2.82 | ||
Nova 2 Pro | 4.9% | 23.7 | $3.10 | ||
Amazon Transcribe | 4.1% | 39.3 | $6.00 | ||
Universal-3.5 Pro | 3.0% | 107.9 | $3.50 | ||
Universal-3 Pro | 3.1% | 98.5 | $3.50 | ||
Universal, AssemblyAI | 3.8% | 102.6 | $2.50 | ||
MAI-Transcribe-2 | 2.0% | 336.6 | $1.67 | ||
MAI-Transcribe-1.5 | 2.4% | 80.4 | $6.00 | ||
Nova-3 | 5.2% | 372.9 | $4.30 | ||
Nova-3, Telnyx | 4.8% | 339.3 | $5.00 | ||
Nova-2, Telnyx | 5.1% | 327.8 | $5.00 | ||
Scribe v3, ElevenLabs | 1.9% | 74.3 | $3.33 | ||
Scribe v2 | 2.2% | 52.8 | $3.67 | ||
Solaria-1, Gladia | 4.1% | 86.0 | $5.02 | ||
Solaria-3, Gladia | 3.2% | 85.6 | $2.98 | ||
Chirp 3, Google | 4.3% | 29.6 | $16.00 | ||
Chirp | 31.2% | 14.4 | $16.00 | ||
Gemini 3.5 Transcribe | 2.6% | 93.6 | $5.00 | ||
Gemini 3.1 Pro Preview (High) | 2.8% | 8.8 | $18.15 | ||
Gemini 3.1 Pro Preview (Low) | 3.6% | 8.3 | $7.72 | ||
Gemini 3 Flash (High) | 2.9% | 23.7 | $4.17 | ||
Gemini 2.5 Flash Lite | 5.2% | 84.0 | $0.67 | ||
Gemini 2.5 Flash | 5.1% | 71.3 | $2.51 | ||
Gemini 2.5 Pro | 2.9% | 13.0 | $8.69 | ||
Gemini 3.1 Flash-Lite Preview (Minimal) | 3.4% | 64.8 | $1.10 | ||
Gradium Speech-to-Text | 6.8% | 2.8 | $13.00 | ||
Grok Voice Transcribe 2.0 | 2.3% | 177.2 | $1.67 | ||
Inworld STT 1 | 3.9% | 122.6 | $2.50 | ||
Voxtral Small Transcribe 3 | 2.1% | 45.9 | $4.00 | ||
Voxtral Mini Transcribe 3 | 2.2% | 55.8 | $3.50 | ||
Voxtral Mini Transcribe 2 | 3.6% | 86.2 | $3.00 | ||
Voxtral Small | 2.8% | 61.4 | $4.00 | ||
Voxtral Mini | 3.8% | 51.2 | $1.00 | ||
Modulate STT Batch English VFast | 4.2% | 45.9 | $0.42 | ||
Nemotron 3.5 Transcribe | 3.4% | 63.9 | $2.00 | ||
Parakeet TDT 0.6B V3, Togetherai | 4.5% | 674.2 | $1.50 | ||
Canary Qwen 2.5B, NVIDIA | 4.3% | 7.6 | $0.74 | ||
Parakeet TDT 0.6B V2, NVIDIA | 6.4% | 99.8 | $0.00 | ||
Parakeet RNNT 1.1B | 5.4% | 6.3 | $1.91 | ||
GPT Transcribe, OpenAI | 3.3% | 48.4 | $4.50 | ||
GPT-4o Transcribe | 4.0% | 35.0 | $6.00 | ||
GPT-4o Mini Transcribe | 4.5% | 47.9 | $3.00 | ||
Smallest AI Pulse Pro | 3.4% | 296.8 | $4.00 | ||
Rumble-2 | 2.7% | 312.0 | $22.25 | ||
Resonant-1 | 3.4% | 344.9 | $22.33 | ||
Rev AI | 5.9% | 11.0 | $3.33 | ||
Smallest AI Pulse | 3.3% | 242.0 | $3.00 | ||
Soniox v6 Async | 3.0% | 81.1 | $1.66 | ||
Soniox v5 Async | 3.8% | 46.5 | $1.66 | ||
Speechmatics Melia | 4.9% | 176.4 | $4.00 | ||
Speechmatics Standard | 5.1% | 91.5 | $7.50 | ||
Speechmatics Enhanced | 4.0% | 54.0 | $12.50 | ||
StepAudio 2.5 ASR, StepFun | 4.7% | 121.0 | $0.37 | ||
StepAudio 3 ASR, StepFun | 2.5% | 82.2 | $6.67 | ||
Whisper Large v3 Turbo | 4.6% | 411.0 | $0.67 | ||
Whisper Large v3 Turbo, Telnyx | 5.5% | 37.1 | $15.00 | ||
Wizper Large v3 | 4.7% | 143.7 | $0.50 | ||
Incredibly Fast Whisper | 5.7% | 85.6 | $1.49 | ||
Whisper Large v3 | 10.1% | 2.7 | $4.23 | ||
Whisper Large v3 | 4.1% | 96.9 | $1.15 | ||
Whisper Large v3 | 4.5% | 245.8 | $1.50 | ||
Whisper Large v2 | 4.1% | 26.2 | $6.00 | ||
Yoob ASR Pro v1 | 3.0% | 89.9 | $0.92 | ||
Zoom Scribe V2 Pro | 2.8% | 128.6 | $5.83 | ||
Zoom Scribe V2.1 Pro | 2.1% | 189.0 | $5.83 |
よくある質問
Fun-Realtime-ASR-previewは、評価した65モデルのうち最も低いAA-WER(Artificial Analysis単語誤り率)1.7%で首位です。
精度(AA-WER)に基づく上位のSpeech to Textモデルは次のとおりです: 1. Fun-Realtime-ASR-preview(1.7%)、2. Scribe v3, ElevenLabs(1.9%)、3. MAI-Transcribe-2(2.0%)、4. Zoom Scribe V2.1 Pro(2.1%)、5. Voxtral Small Transcribe 3(2.1%)。AA-WERが低いほど文字起こし精度が高いことを示します。
Parakeet TDT 0.6B V3, Togetheraiが最速で、リアルタイムの674.2xの速度係数です。続いてWhisper (L, v3, Turbo), Groq(411.0x)、Nova-3(372.9x)です。速度係数が高いほど文字起こしが高速です。
StepAudio 2.5 ASRが最も安価で、1,000分あたり$0.37です。続いてModulate STT Batch English VFast($0.42)、Wizper (L, v3), fal.ai($0.50)です。
SOV-Transcribe-1, Salesforceは最も精度の高いオープンウェイトモデルで、AA-WERは2.3%です。評価した合計65モデルのうち、オープンウェイトは16モデルです。
精度に基づく上位のオープンウェイトSpeech to Textモデルは次のとおりです: 1. SOV-Transcribe-1, Salesforce(AA-WER 2.3%)、2. Voxtral Small, Mistral(AA-WER 2.8%)、3. Nemotron 3.5 Transcribe(AA-WER 2.8%)。
最適なモデルは優先事項によって異なります。散布図を使って精度(AA-WER)、速度、料金のトレードオフを可視化してください。高い精度が必要な用途ではAA-WERが低いモデルを優先し、リアルタイム用途では速度係数に注目し、コスト重視のワークロードでは料金チャートを比較してください。