GPT Transcribe 代替の文字起こしAI 7選 日本語精度と無料枠で選ぶ (2026年版)

議事録の自動化をやっと組んだのに、土台のモデルが「非推奨」に変わっていた。今そこで手が止まっているのではないでしょうか。

慌てて全部を捨てる必要はありません。音声を文字にする処理は、どのサービスもほぼ同じ形の入出力で作られています。差し替えは思ったより軽い作業です。

ただし、選び方を間違えると単価が数倍に膨らみます。日本語の会議音声では精度も一気に落ちます。ここが分かれ道。

GPT Transcribeとは、OpenAIが音声を文字に変換するために提供している文字起こしAPI群のことです。APIは「他のソフトからAIを呼び出す窓口」のことで、自分のアプリや業務ツールに音声認識を組み込むために使います。2026年8月時点では、OpenAI自身の公式なモデル案内でも、4o系の文字起こしモデルは新しく作るシステムの出発点としては勧めない扱いに変わっています。

GPT Transcribe の代替を探すことになった3つの理由

乗り換えを検討している人の事情は、だいたい3つに集約されます。どれに当てはまるかで、選ぶべき代替先が変わります。

ひとつめは、提供終了の案内が出たケース。Azure OpenAI経由でGPT-4o Transcribeを使っていた場合、Microsoftのモデル提供終了スケジュールに2026年2月28日という日付が案内されていました。クラウド経由で組み込んでいたなら、まずは自分の契約環境でその案内が生きているかの確認からです。

ふたつめは、単価。文字起こしは「1分いくら」の世界で、月に数万分を流すと差がそのまま請求書に出ます。

みっつめが精度です。特に日本語。人名・社名・専門用語がカタカナで崩れると、後の修正作業のほうが重くなります。

正直なところ、3つめが一番深刻です。単価が2割違っても月数千円の話ですが、固有名詞が崩れると人間が全文を読み直すことになります。時給換算で一瞬で逆転します。

自分の理由がはっきりしたところで、選択肢を並べていきます。

代替を選ぶ軸は「精度・単価・預け先」の3つだけ

文字起こしサービスの比較記事は機能表が長くなりがちですが、実際に判断を分けるのは3つです。

• 精度: 誤り率が低いほど後の手直しが減る。日本語と英語で結果が違う点に注意
• 単価: 1分あたりの従量課金。月間の処理時間をかけ算すれば予算はすぐ出る
• 預け先: 音声データを外部に出せるか。出せないなら自前で動かす形しか残らない

この3つ以外、たとえば対応言語数やファイル形式の多さは、主要サービスならほぼ横並びです。差になりません。

3つの軸のうち、企業で一番よく地雷になるのが「預け先」です。顧客との商談音声や採用面接の録音は、外部送信そのものが社内規程で止まることがあります。技術選定の前に、そこを確認しておくと手戻りが消えます。

GPT Transcribe 代替の文字起こしAI 7選

候補を7つに絞りました。性格がまったく違うので、表で全体像を先に眺めてください。

つまり、開発者なら上の4つ、開発しないなら下の3つ、という大まかな線引きになります。

ここから、それぞれをもう少し具体的に見ていきます。

Whisper（オープンソース）

OpenAIが公開した音声認識モデルで、ライセンス上は誰でも無料で使えます。自分のPCや社内サーバーに置いて動かす方式なので、音声が一歩も外に出ません。

弱点は運用の手間。GPUを積んだマシンが要りますし、長時間音声を分割して流す処理も自分で組むことになります。

ElevenLabs Scribe

GPT Transcribeからの素直な乗り換え先として、いま一番わかりやすい選択肢です。独立系のベンチマークAA-WER v2では、Scribe v2の誤り率が3.3%、GPT-4o Transcribeが4.0%と報告されています（2026年8月時点）。単価も1分あたり$0.0045と$0.006で、安いほうが精度でも上という珍しい構図。

Deepgram と AssemblyAI

どちらも開発者向けの音声認識APIで、リアルタイム処理に強いのが共通点です。通話中の字幕表示やライブ配信の自動テロップなど、待てない用途で選ばれます。

AssemblyAIは文字起こしの後段、要約や話者の切り分けまでまとめて面倒を見る作りです。議事録サービスを自作するなら組み立てが楽になります。

Notta と Rimo Voice

コードを書かずに使えるサービス型です。日本語の管理画面で、録音アップロードから共有まで完結します。

Notta は個人利用からチーム利用まで幅が広く、Rimo Voice は日本の会議音声に寄せた設計が持ち味。料金体系は改定が入りやすいので、契約前に公式の料金ページで最新のプランを確認してください。

クラウド3社のAPI

Amazon Transcribe、Google Cloud Speech-to-Text、Microsoft Azure AI Speechの3つです。個人開発では過剰ですが、医療・金融のように監査が入る現場では強みが出ます。

個人情報の自動マスキングや、専用モデルの追加学習、コンテナでの持ち込み運用に対応しているためです。AWSの公式料金ページによると、医療向けのAmazon Transcribe Medicalは15分の会話で1.125 USD（2026年8月時点）。汎用の文字起こしより明確に高い設定です。

無料で始めるならどれが正解？

無料で文字起こしをしたいなら、Whisper が一択です。モデル本体も、動かすためのソフトも無料。処理時間の上限もありません。

必要なのはお金ではなく、少しの手間とマシンの性能です。目安を並べます。

つまり、量を流したいならWhisper、たまに使うだけなら各サービスの無料プランで足ります。

無料プランの落とし穴もひとつ。GUI型の無料枠は「月30分」のように短いことが多く、1時間の会議を1本入れた時点で終わります。試用としては十分ですが、実務の主力にはなりません。

日本語の精度はどこが強い？

日本語の文字起こしで結果を分けるのは、モデルの総合力よりも3つの具体的な条件です。

• 固有名詞: 社名・人名・製品名が漢字で正しく出るか
• 話者分離: 誰の発言かを分けられるか
• 相づち処理: 「えーと」「はい、はい」を落とせるか

英語ベンチマークの数字が良くても、この3つで転ぶサービスがあります。ここが日本語ユーザーの悩みどころ。

日本語特化のサービスが強いのは、まさにこの領域です。日本の会議でよく出る言い回しや、社内用語の登録機能を持っているためです。海外発のAPIでも、単語リストを事前に渡して認識を補正する機能があるものは同等まで持っていけます。

用途別に整理すると、こうなります。

つまり、日本語だから海外APIが使えない、という単純な話ではありません。用途で決まります。

文字起こしを英語に直して共有する場面もあるはずです。翻訳まで一気に片付けたいなら、ChatGPTを使ったAI翻訳の実践手順を先に読むと、後工程の設計がまとまります。

オープンソースのWhisperは今も現実的な選択肢？

現実的です。むしろ2026年の今のほうが選ぶ理由が増えました。

理由は3つあります。ひとつは、高速化された派生実装が揃い、実行時間が公開当初より大きく縮んだこと。ふたつめは、家庭用GPUの性能向上で、個人のPCでも長時間音声が回せるようになったこと。

みっつめが本質で、データを外に出さない構成を作れる唯一の選択肢だからです。

ここまでの整理: 単純にGPT Transcribeを置き換えたいならScribe。データを外に出せないならWhisper。開発せずに日本語会議を回したいなら日本語特化サービス。ここから先は、単価と乗り換え作業の話に入ります。

ただし、万能ではありません。Whisper単体では話者分離ができず、別の仕組みを組み合わせる必要があります。GPUの無いPCでは1時間の音声に1時間以上かかることも珍しくありません。

「無料だが手間はかかる」。この一行に尽きます。

API単価はいくら違う？月間コストの計算

単価の差は、月間の処理時間をかけるだけで見えます。1分あたりの単価がわかっている2つで比べます。

つまり、単価差は25%。月1,000分程度なら誤差の範囲で、10万分を超えて初めて意思決定の材料になります。

ここで見落としがちなのが、単価以外にかかるお金です。音声ファイルの保存、失敗した処理の再実行、そして人間による修正時間。精度が1ポイント違うと、この修正時間が効いてきます。

小さく試すなら単価は無視していい。大量に流すなら、単価より精度で選んだほうが総額は下がります。

乗り換えのときにハマる落とし穴

差し替え作業そのものは半日で終わることが多いのですが、そのあとで気づく問題があります。よくある4つを挙げます。

• 時刻情報の形式が違う: 字幕を作っているなら、秒数の返り方が変わって崩れる
• 話者ラベルの付き方が違う: 「話者1」の割り当て順が変わり、既存の後処理が壊れる
• 長い音声の上限が違う: 1回に送れるファイルの長さや容量に制限がある
• 句読点の入り方が違う: 読点の量が変わり、整形ルールが空振りする

どれも致命傷ではありませんが、本番投入の直前に見つかると痛い。

乗り換え前に、同じ音声ファイルを2つのサービスに流して結果を並べる作業をおすすめします。10分の音声1本で、上の4つはだいたい炙り出せます。

つまり、比較は「精度」ではなく「出力の形」でやるのが実務的です。

文字起こしの後工程を軽くするコツ

文字起こしは素材づくりで、本番は後工程です。ここを自動化しないと、結局は人が全文を読み直すことになります。

生テキストを議事録の形に整えるには、AIへの指示文の設計がそのまま品質になります。話者ごとの発言をまとめる、決定事項と宿題を分ける、固有名詞の表記を統一する。この3つを最初から指示に書き込んでおくと、手直しがほぼ消えます。指示文の型はChatGPTのプロンプト設計ガイドにまとめてあります。

毎回同じ指示を貼り付けるのが面倒なら、設定に登録してしまう手もあります。カスタム指示の使い方を見ておくと、貼り付け作業そのものが要らなくなります。

英語の音声を扱っているなら、文字起こし後の英文チェックも自動化の対象です。文法まわりの整えについてはGrammarlyとChatGPTの使い分けが判断材料になります。両方契約するか迷っている段階なら、GrammarlyとChatGPTの併用ガイドのほうが具体的です。

素材が良くても、後工程が手作業なら時短になりません。ここが自動化の本丸。

用途別に決めるなら、この組み合わせ

迷ったときの結論を用途別に置いておきます。

• 社内会議を今日から回したい: Notta か Rimo Voice の無料枠で1本試す
• アプリに組み込みたい: ElevenLabs Scribe で置き換え、リアルタイムが要るなら Deepgram
• 音声を外に出せない: Whisper を社内サーバーに置く
• 議事録機能ごと作りたい: AssemblyAI で要約まで一気に

会議ツール側で完結させたい場合は、tl;dv や Fireflies のように通話に常駐するタイプもあります。文字起こしAPIを選ぶ前に、そもそも自分で組む必要があるのかを一度疑ってみてください。

あわせて見たいツール・カテゴリ

音声まわりは選択肢が多いので、隣接する領域もまとめて眺めておくと選定が早くなります。

• AI音声ツールのカテゴリ — 文字起こし以外の音声AIもここに集約
• AI会議ツールのカテゴリ — 議事録の自動化はこちらが本丸
• AI音声ツールの人気順 — 編集部が継続的に評価しています
• AI会議ツールの人気順 — 会議録の定番を横並びで確認
• Descript — 文字を編集すると音声も切れる動画編集型
• Otter.ai — 英語会議に強い老舗
• GPT Transcribe — 今回の乗り換え元。現状の仕様を確認したいとき

AI PICKS編集部の判定

単純な置き換えなら ElevenLabs Scribe が一択です。誤り率で上回り、単価も25%安い。両方で負けている状態から乗り換えない理由を探すほうが難しいでしょう。

Whisper は無料という言葉で語られがちですが、価値の本体はそこではありません。音声が一切外に出ない構成を作れる点が圧倒的です。顧客の通話や採用面接を扱う現場では、これ以外の選択肢が消えます。GPUの用意と分割処理の実装は要りますが、払う価値のある手間。

日本語のGUI型サービスは、開発しない人にとって重宝します。ただし無料枠は月数十分程度が主流で、実務の主力に据えるなら有料前提です。無料で回し続けられると思って組むと途中で止まります。

クラウド3社のAPIは、監査要件がないなら正直イマイチな選択です。設定項目が多く、料金体系も読み解きに時間がかかります。医療や金融で個人情報のマスキングが要るなら話は別で、そこでは他に代わりがありません。

迷ったら、10分の音声を2社に流して出力を並べる。それが一番速い判断材料です。

よくある質問（FAQ）

Q. GPT Transcribe はもう使えないのですか？

即座に止まるわけではありません。ただし2026年8月時点で、OpenAIは4o系の文字起こしモデルを新規開発の出発点としては勧めない扱いにしています。Azure OpenAI経由の場合はモデル提供終了のスケジュールが案内されていたため、契約環境ごとに確認が必要です。

Q. 精度を数字で比べる方法はありますか？

誤り率（WER）という指標が使われます。100語のうち何語を間違えたかの割合で、低いほど良い数字です。ただし公開ベンチマークの多くは英語音声が中心なので、日本語での実力とは一致しないことがあります。自分の音声ファイルで比べるのが確実です。

Q. 1時間の会議を文字起こしすると、いくらかかりますか？

1分$0.0045のサービスなら、60分で$0.27です。1日3本回しても月20ドル前後。API型の従量課金は、想像よりずっと安い水準に収まります。高くつくのは人が直す時間のほうです。

Q. Whisperを動かすのに、どのくらいのPCが必要ですか？

GPUを積んだPCが望ましいです。CPUだけでも動きますが、音声の長さと同じかそれ以上の時間がかかります。軽量なモデルサイズを選べばノートPCでも動くので、まず小さいモデルで試して精度を確かめる進め方が安全です。

Q. 話者分離は全部のサービスでできますか？

できません。Whisper単体は非対応で、別の仕組みを組み合わせる必要があります。会議用途なら、話者分離を標準で持つサービスを選ぶほうが結果的に安く済みます。ここは契約前に必ず確認してください。

Q. 録音した音声を外部に送っても問題ないですか？

社内規程と契約内容によります。顧客との商談や面接の録音は、外部送信そのものが禁止されている企業が少なくありません。判断が付かないなら、自社サーバー内で完結する構成から検討するのが安全です。

Q. 文字起こしの結果をそのまま議事録にできますか？

できません。相づちや言い直しがそのまま残るため、整形の工程が要ります。生成AIに整形を任せる場合は、決定事項と宿題を分ける指示を最初から入れておくと手直しが減ります。

文字起こし先を決めたら、次はChatGPTのプロンプト設計ガイドへ。今日流した1時間の音声が、明日から自動で議事録の形になります。

各ツールの公式サイト（一次情報）

料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。

• GPT Transcribe — 公式サイト（AI PICKSの詳細）
• Whisper — 公式サイト（AI PICKSの詳細）
• Scribe — 公式サイト（AI PICKSの詳細）
• Deepgram — 公式サイト（AI PICKSの詳細）
• AssemblyAI — 公式サイト（AI PICKSの詳細）
• Notta — 公式サイト（AI PICKSの詳細）