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。

ストリーミングのベンチマークを見る

テキスト読み上げアリーナ

AI音声エクスプローラー

WER Index（非ストリーミング）

AA-WER v2 · % of words transcribed incorrectly · Lower is better

速度係数

Input audio seconds transcribed per second · Higher is better

料金

USD per 1000 minutes of audio · Lower is better

Artificial Analysis Word Error Rate Index（非ストリーミング）

% of words transcribed incorrectly · Lower is better · AA-WER v2 incorporates 3 datasets: AA-AgentTalk (50%), VoxPopuli-Cleaned-AA (25%), Earnings22-Cleaned-AA (25%)

注: Earnings22で、時間制限によりモデルがフル尺の音声を安定して処理できない場合、約9分ごとに分割します（対象: GPT-4o Mini Transcribe, OpenAI Nova 2 Pro, Amazon GPT-4o Transcribe, OpenAI Voxtral Mini Transcribe, Mistral）。さらに短い時間制限があるモデルでは、約30秒ごとに分割します（対象: Inworld STT 1 Canary Qwen 2.5B, NVIDIA Qwen3 ASR Flash, Alibaba）。

Measures transcription accuracy across 3 datasets to evaluate models in real-world speech with diverse accents, domain-specific language, and challenging channel & acoustic conditions.

AA-WER is calculated as an audio-duration-weighted average of WER across ~8 hours from three datasets: AA-AgentTalk (50%), VoxPopuli-Cleaned-AA (25%), and Earnings22-Cleaned-AA (25%). See methodology for more detail.

AA-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

% of words transcribed incorrectly on the AA-AgentTalk dataset · Lower is better

Measures transcription accuracy across 3 datasets to evaluate models in real-world speech with diverse accents, domain-specific language, and challenging channel & acoustic conditions.

クリーン済みデータセットの比較

VoxPopuli: 公開データのクリーン済みサブセット vs. オリジナル

% WER (word error rate) · Lower is better

並び替え

注: クリーン済み版は参照テキストから文字起こし誤りを除去し、モデル評価のためのより正確な正解データを提供します。

Measures transcription accuracy across 3 datasets to evaluate models in real-world speech with diverse accents, domain-specific language, and challenging channel & acoustic conditions.

APIベンチマーク

Artificial Analysis Word Error Rate Index（非ストリーミング）vs. 料金

% of words transcribed incorrectly · Lower is better · AA-WER v2 incorporates 3 datasets: AA-AgentTalk (50%), VoxPopuli-Cleaned-AA (25%), Earnings22-Cleaned-AA (25%) · USD per 1000 minutes of audio

Most attractive quadrant

Measures transcription accuracy across 3 datasets to evaluate models in real-world speech with diverse accents, domain-specific language, and challenging channel & acoustic conditions.

Estimated cost in USD to transcribe 1,000 minutes of audio, normalized across providers with different billing models, and including billed reasoning tokens where available. Further detail on the methodology page.

速度係数

Input audio seconds transcribed per second · Higher is better

Audio file seconds transcribed per second of processing time. Higher factor indicates faster transcription speed. Reported Speed Factor values are medians across benchmark trials from the last 7 days; over-time chart points are daily medians. Artificial Analysis measurements are based on an audio duration of 10 minutes. Speed Factor may vary for other durations, particularly very short durations under 1 minute.

文字起こし料金

USD per 1000 minutes of audio

主要指標の概要と詳細情報

	プロバイダー	Whisperバージョン				詳細情報
Qwen3.5 Omni Flash	Alibaba Cloud		13.5%	71.3	0.00	詳細
Qwen3.5 Omni Plus	Alibaba Cloud		3.5%	146.5	0.00	詳細
Fun-Realtime-ASR-preview	Alibaba Cloud		1.7%	20.6	2.82	詳細
Nova 2 Pro	Amazon Bedrock		4.9%	23.5	3.10	詳細
Amazon Transcribe	Amazon Bedrock		4.1%	35.0	6.00	詳細
Universal-3.5 Pro	AssemblyAI		3.0%	101.5	3.50	詳細
Universal-3 Pro	AssemblyAI		3.1%	99.9	3.50	詳細
Universal, AssemblyAI	AssemblyAI		3.8%	102.3	2.50	詳細
MAI-Transcribe-2	Microsoft AI		2.0%	305.8	1.67	詳細
MAI-Transcribe-1.5	Microsoft AI		2.4%	80.7	6.00	詳細
transcribe-03-2026	Cohere		4.6%	66.9	0.00	詳細
Nova-3	Deepgram		5.2%	585.0	4.30	詳細
Nova-3, Telnyx	Telnyx		4.8%	487.0	7.40	詳細
Nova-2, Telnyx	Telnyx		5.1%	451.9	7.40	詳細
Scribe v2	ElevenLabs		2.2%	69.5	3.67	詳細
Solaria-1, Gladia	Gladia		4.1%	89.9	10.17	詳細
Solaria-3, Gladia	Gladia		3.2%	92.0	10.16	詳細
Chirp 3, Google	Google		4.3%	29.6	16.00	詳細
Chirp	Google		31.2%	14.4	16.00	詳細
Gemini 3.5 Transcribe	Google		2.6%	89.0	5.00	詳細
Gemini 3.1 Pro Preview (High)	Google		2.8%	8.2	18.15	詳細
Gemini 3.1 Pro Preview (Low)	Google		3.6%	8.3	7.72	詳細
Gemini 3 Flash (High)	Google		2.9%	23.5	13.70	詳細
Gemini 2.5 Flash Lite	Google		5.2%	73.3	6.56	詳細
Gemini 2.5 Flash	Google		5.1%	64.8	6.66	詳細
Gemini 2.5 Pro	Google		2.9%	11.6	11.39	詳細
Gemini 3.1 Flash-Lite Preview (Minimal)	Google		3.4%	91.3	5.83	詳細
Gradium Speech-to-Text	Gradium		6.8%	2.3	13.00	詳細
Grok Voice Transcribe 2.0	SpaceXAI		2.3%	185.6	1.67	詳細
Inworld STT 1	Inworld		3.9%	141.8	2.50	詳細
Voxtral Small Transcribe 3	Mistral		2.1%	63.2	4.00	詳細
Voxtral Mini Transcribe 3	Mistral		2.2%	76.9	3.50	詳細
Voxtral Mini Transcribe 2	Mistral		3.6%	86.7	3.00	詳細
Voxtral Small	Mistral		2.8%	56.2	4.00	詳細
Voxtral Mini	DeepInfra		3.8%	47.1	1.00	詳細
Modulate STT Batch English VFast	Modulate		4.2%	53.8	0.42	詳細
Parakeet TDT 0.6B V3, Togetherai	Together AI		4.5%	687.0	1.50	詳細
Canary Qwen 2.5B, NVIDIA	Replicate		4.3%	8.5	0.74	詳細
Parakeet TDT 0.6B V2, NVIDIA	NVIDIA		6.4%	97.4	0.00	詳細
Parakeet RNNT 1.1B	Replicate		5.4%	6.3	1.91	詳細
GPT Transcribe, OpenAI	OpenAI		3.3%	46.9	4.50	詳細
GPT-4o Transcribe	OpenAI		4.0%	37.8	6.00	詳細
GPT-4o Mini Transcribe	OpenAI		4.5%	45.4	3.00	詳細
Smallest AI Pulse Pro	Smallest.ai		3.4%	296.9	4.00	詳細
Resonant-1	Reson8		3.4%	330.1	3.60	詳細
Rev AI	Rev AI		5.9%	13.1	3.33	詳細
Smallest AI Pulse	Smallest.ai		3.3%	261.3	5.00	詳細
Soniox v5 Async	Soniox		3.8%	42.3	1.66	詳細
Speechmatics Melia	Speechmatics		4.9%	178.9	4.00	詳細
Speechmatics Standard	Speechmatics		5.1%	90.1	7.50	詳細
Speechmatics Enhanced	Speechmatics		4.0%	54.5	12.50	詳細
StepAudio 2.5 ASR, StepFun	StepFun		4.7%	106.9	0.37	詳細
StepAudio 3 ASR, StepFun	StepFun		2.5%	64.4	6.67	詳細
Whisper Large v3 Turbo	Groq	v3 Turbo	4.6%	262.0	0.67	詳細
Whisper Large v3 Turbo, Telnyx	Telnyx		5.5%	37.2	15.00	詳細
Wizper Large v3	fal.ai	large-v3	4.7%	152.3	0.50	詳細
Incredibly Fast Whisper	Replicate	large-v3	5.7%	54.9	1.49	詳細
Whisper Large v3	Replicate	large-v3	10.1%	2.9	4.23	詳細
Whisper Large v3	fal.ai	large-v3	4.1%	96.2	1.15	詳細
Whisper Large v3	Together AI	large-v3	4.5%	288.3	1.50	詳細
Whisper Large v2	OpenAI	large-v2	4.1%	28.6	6.00	詳細
Zoom Scribe V2 Pro	Zoom		2.8%	123.7	3.33	詳細

よくある質問

Fun-Realtime-ASR-previewは、評価した61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. MAI-Transcribe-2（2.0%）、3. Voxtral Small Transcribe 3（2.1%）、4. Scribe v2, ElevenLabs（2.2%）、5. Voxtral Mini Transcribe 3（2.2%）。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687.0xの速度係数です。続いてNova-3（585.0x）、Nova-3, Telnyx（487.0x）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$0.3667です。続いてModulate STT Batch English VFast（$0.417）、Wizper (L, v3), fal.ai（$0.50）です。

Voxtral Small, Mistralは最も精度の高いオープンウェイトモデルで、AA-WERは2.8%です。評価した合計61モデルのうち、オープンウェイトは14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. Voxtral Small, Mistral（AA-WER 2.8%）、2. Inkling (256K), Thinking Machines（AA-WER 3.5%）、3. Voxtral Mini Transcribe, Mistral（AA-WER 3.8%）。

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。

音声文字起こしAIモデル・プロバイダーランキング

関連リンク

WER Index（非ストリーミング）

速度係数

料金

Artificial Analysis Word Error Rate Index（非ストリーミング）

Artificial Analysis Word Error Rate Index（非ストリーミング）

Artificial Analysis Word Error Rate (AA-WER) Index

AA-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

Artificial Analysis Word Error Rate (AA-WER) Index

クリーン済みデータセットの比較

VoxPopuli: 公開データのクリーン済みサブセット vs. オリジナル

Artificial Analysis Word Error Rate (AA-WER) Index

APIベンチマーク

Artificial Analysis Word Error Rate Index（非ストリーミング）vs. 料金

Artificial Analysis Word Error Rate (AA-WER) Index

Price

速度係数

Speed Factor

文字起こし料金

Price

主要指標の概要と詳細情報

よくある質問

最も精度の高いSpeech to Textモデルはどれですか？

上位のSpeech to Textモデルはどれですか？

最も速いSpeech to Textモデルはどれですか？

最も安価なSpeech to Textモデルはどれですか？

最良のオープンウェイトSpeech to Textモデルはどれですか？

上位のオープンウェイトSpeech to Textモデルはどれですか？

最適なSpeech to Textモデルはどう選べばよいですか？