時間単価は、文字起こしAPIの料金表にある四つの数字の一つにすぎません。課金の単位、ジョブごとの最低時間、クレジットの売り方によって、安い単価よりも大きく請求額が動くことがあります。計算を示しながら、具体例で解説します。
文字起こしAPIの料金比較の多くは、事業者ごとに一つの数字を並べます。音声1分あたり、または1時間あたりの価格です。その数字は重要ですが、実際に支払う額ではありません。支払うのは、単価に、事業者が数えた音声の長さを掛けた金額で、事業者は独自の規則で音声を数えます。そのうち二つの規則が、差の大部分を決めます。課金の単位(秒単位、15秒単位、分単位)と、ジョブごとの最低時間です。三つ目の、クレジットの売り方(前払い、クレジット付きの月額プラン、ボリューム契約)は、支払った分のうち実際にどれだけ使うかを決めます。
この記事では、同じ作業量を、一つの固定単価でこれらの規則に通し、規則そのものの影響が見えるようにします。実際の価格が必要な箇所では、2026年11月時点の料金ページに載っているVocalStack自身の数値を使います。
事業者を比べる前に、それぞれについて四つのことを書き出してください。
四つ目の数字は、それだけで一本の記事に値します。料金ページには、他社の時間あたりの定価(オプション込み)を、2026年10月に各社の料金ページから取った表で載せています。この記事の残りは、分単位の比較では隠れてしまう、二つ目と三つ目についてです。
月に1,000件の録音通話を送るコンタクトセンターを考えます。各通話は3分から7分の間です。計算を確かめやすくするため、5種類の長さを、それぞれ200件ずつと仮定します。
通話の合計は、音声302,000秒、つまり5,033分です。各ルールで課金される量は次のとおりです。
単価は一度も変わっていません。各通話を次の分に切り上げると、請求額が11.3%増えるのは、平均すると通話ごとに、誰も話していない約30秒分の料金を払うことになるからです。15秒単位なら、その無駄は通話あたり数秒に縮みます。最低5分付きの秒単位課金は、その中間に収まります。長い通話は正確に課金され、短い通話は5分まで水増しされます。
VocalStackのファイル単価、1時間あたり$0.20では、この1,000件の通話の秒単位の請求額は$16.78です。同じ通話を分単位の切り上げで計算すると、同じ単価で$18.67になります。単価が低いので、ドルで見ると差は小さいですが、差は単価に比例して広がります。単価が10倍なら、その11%は毎月10倍のドルになります。
経験則として、切り上げでは、ジョブごとに単位の約半分が無駄になります。平均5分の通話を分単位で切り上げると、およそ10%です。15秒単位なら約2.5%です。秒単位課金なら、事実上ゼロです。
最低時間は、長い録音では無害に見えますが、短い録音では請求額を支配します。40秒の留守電10,000件、合計111時間の音声を、同じ1時間あたり$0.20で計算します。
最低5分では、40秒の留守電が一件ごとに300秒として課金され、音声の7.5倍になります。コンタクトセンターには11%のコストだった分単位の切り上げが、留守電の作業量には50%のコストになります。典型的なファイルが短いほど、請求額は課金の単位と最低時間で決まり、単価の影響は小さくなります。
ですから、単価を比べる前に、自分のファイルの長さの分布を見てください。先月のファイルの長さをエクスポートし、各事業者の規則に通します。規則ごとに一列を取ったスプレッドシートなら10分でできますし、どんな料金表よりもよく答えが分かります。
大手クラウドの音声サービスのうち二つは、秒単位で課金します。2026年11月時点で、Amazon Transcribeの料金ページには「usage is billed in one-second increments, with no minimum applied」とあり(aws.amazon.com/transcribe/pricing)、Google Cloud Speech-to-Textの料金ページには「each request is rounded up to the nearest increment of 1 seconds」とあります(cloud.google.com/speech-to-text/pricing)。課金の規則はサービスによって今も異なります。分単位に切り上げるもの、ジョブごとに最低時間を設けるもの、その両方を行うものがあります。思い込まずに、各料金ページにある課金の段落(たいていは表の下の小さな文字)を読んでください。
2026年11月時点で、料金ページには次の単価が載っており、ダッシュボードでもAPIでも同じです。
そこから導かれる結果を、計算してみます。
先ほどの二つの作業量に戻ります。1,000件の通話は、Premium(最低時間なし)では$16.78、従量課金では$18.39です。従量課金では、5分未満の400件の通話が、それぞれ5分として課金されるためです。10,000件の留守電は、Premiumで$22.22、従量課金で$166.67です。短いファイルが大量にある場合は、最低時間のないプランを選ぶべきで、留守電の例がその差の大きさを示しています。
文字起こしの料金のもう半分は、音声の代金をどう支払うかです。一般的なモデルは三つあり、VocalStackはプランごとに一つずつ、三つとも使っています。
前払いクレジット。 残高を購入し、音声の1秒ごとに消費されます。VocalStackの従量課金では、新しいアカウントに$5のサインアップクレジットが付き、ファイルなら25時間分、ライブ音声なら約8.3時間分に相当します。カードは不要です。その後は、Billingページでチャージします。プリセットは$10、$25、$50で、$10から$500までの任意の金額を指定できます。自動チャージは、オンにしない限りオフです。オンにすると、残高が設定したしきい値まで下がったときに、選んだ金額が追加されます。購入したクレジットは期限切れになりません。従量課金では、残高がゼロになるとライブの文字起こしが止まるため、長いイベントの前には、残高不足の通知を設定するか、自動チャージをオンにしてください。
クレジット付きのプラン。 毎月一定額を支払い、クレジットが戻ってきます。VocalStackのPremiumは月額$25で、毎月$25のクレジットが含まれます。ファイルなら125時間、ライブ音声なら約42時間分です。年払いでは年額$240(月あたり$20)で、毎月$25のクレジットは変わらず含まれるため、クレジットを使い切れば、1年で$300分の価値が$240で手に入ります。クレジットをすべて使えば、実質的にファイル1時間あたり$0.16、ライブ1時間あたり$0.48になります。含まれる月ごとのクレジットは毎月更新され、繰り越されません。Premiumでは、イベントが途中で打ち切られないよう、上限まではゼロを下回ってもライブの文字起こしが続き、超過した分は後から同じ単価で課金されます。
この二つの選択は、ほぼ計算で決まります。どのみち月に$25以上使うなら、月額プランは追加費用なしで、5分の最低時間もなくなります。それより少ないなら、使わなかった月ごとのクレジットは失われるので、期限切れにならない前払いクレジットのほうが安く済みます。
ボリューム契約。 ある量を超えると、料金表の価格が実際の価格ではなくなります。VocalStackのEnterpriseプランには、想定する量に合わせて設定するカスタムのボリューム単価とカスタムクレジットがあり、専用のキャパシティ、アカウントマネージャー、SLA、ファイルを自社のクラウドストレージに保存するオプションが加わります。見積もりを依頼するときは、月間の想定時間、ファイルとライブの割合、長さの分布を伝えてください。この三つが、適正なボリューム単価を形作ります。
プランが決めるのは価格だけではありません。制限は、大量のバッチがどれだけ速く処理されるかを決め、量が重要になった途端に問題になります。
同時に実行できる文字起こしの数と長さの制限は、暴走したスクリプトが何百もの文字起こしを開始しないための安全上の制限で、サポートに依頼すれば引き上げられます。滞留分の処理には、移行を計画する前に、これを確認してください。
単価が10%安くても、11%を無駄にする課金規則には負けることがありますし、安いプランも、40秒のファイルを5分として課金する最低時間には負けることがあります。自分のファイルで計算してみてください。実際の音声で試したい場合は、サインアップクレジットでファイル25時間分をまかなえますし、ファイルのチュートリアルを使えば、最初の一件をAPIで数分で処理できます。