Google Cloud Speech-to-Text（STT）は、音声をテキストへ変換するGoogleのクラウド型音声認識APIです。料金は使った分だけの従量課金で、2026年時点の標準リアルタイム認識（高精度なChirpモデルを含む）は1分あたり0.016ドル、急がない大量処理向けのDynamic Batchは0.003ドルと安く、毎月60分の無料枠も付きます。本記事では料金体系と無料枠、日本語（ja-JP）の対応と精度、LINEAR16などの音声フォーマット設定、APIの使い方、Amazon TranscribeやAzureとの違いまでを2026年7月時点の情報で整理します。
まとめ：標準0.016ドル/分・Dynamic Batch 0.003ドル/分、毎月60分無料
先に結論です。Google Cloud Speech-to-Textは毎月60分まで無料で、超過分は従量課金です。標準のリアルタイム認識は1分あたり0.016ドルで、高精度モデルChirpを追加料金なしで使えます。急がない録音ファイルの大量処理に向くDynamic Batchは1分あたり0.003ドル（標準比およそ80%安・結果は24時間以内）で、コストを最も下げられる選択肢です。新規なら$300の無料クレジットも併用できます。料金は利用量・地域・モデルで変わるため、本番見積もりの前に必ず公式の料金ページで最新を確認してください。
料金以外の要点はこうです。対応言語は100以上で、日本語は言語コード ja-JP を指定します。音声は可逆圧縮のLINEAR16かFLACで送ると認識精度が安定します。導入はGoogle Cloudでプロジェクトを作り、Speech-to-Text APIを有効化し、サービスアカウントの認証情報を用意してSDKから呼ぶ、という流れです。以下で料金・無料枠・日本語・音声設定・使い方・他社比較の順に掘り下げます。
Google Cloud Speech-to-Textの仕組みとできること
Google Cloud Speech-to-Textは、マイク入力や音声ファイルをテキストに書き起こすマネージド型のAPIです。サーバーやモデルを自前で用意せず、音声データを送るとテキストが返る仕組みで、電話・会議の文字起こし、字幕生成、音声コマンド、問い合わせ音声の分析などに使われます。現行の中心は第2世代のSpeech-to-Text V2 APIで、高精度な音声認識モデルChirpを標準の料金内で利用できます。
処理方式は2つあります。1つはストリーミング認識で、話している途中から逐次テキストを返すためライブ字幕や音声対話に向きます。もう1つはバッチ（非同期）認識で、Google Cloud Storageに置いた録音ファイルをまとめて処理します。急がない大量処理はDynamic Batchを選ぶと料金が下がります。短い音声はデータを直接送信し、長い音声はストレージ上のファイルURIを指定する、と覚えておくと迷いません。
Google Cloud Speech-to-Textの料金体系
料金は処理した音声の長さに対する従量課金で、1秒単位（切り上げ）で課金されます。標準のリアルタイム認識はChirpモデルを含めて1分あたり0.016ドルが基準で、月間の利用量が増えるほど単価が下がるボリューム逓減が入ります。急がない処理はDynamic Batchにするだけで大幅に安くなります。以下は2026年7月時点の代表的な単価です（地域や設定で変動するため最終確認は公式料金ページで行ってください）。
| 区分 | 月間の利用量 | 1分あたり |
|---|---|---|
| 標準リアルタイム（Chirp含む） | 0〜50万分 | 0.016ドル |
| 標準リアルタイム | 50万〜100万分 | 0.010ドル |
| 標準リアルタイム | 100万〜200万分 | 0.008ドル |
| 標準リアルタイム | 200万分超 | 0.004ドル |
| Dynamic Batch（24時間以内） | 全量 | 0.003ドル |
旧世代のV1にある拡張モデルは扱いが異なり、音声をGoogleの改善に使ってよいとするデータロギングをオンにすると1分あたり0.016ドル、オフだと0.024ドルになります。医療向けの専用モデル（medical_dictation／medical_conversation）は1分あたり0.078ドルと高めです。新規に始めるなら音声の設定やモデルは新しいV2から選ぶのが基本で、Chirpを追加料金なしで使えるぶんコスト効率も良くなります。
標準リアルタイムとDynamic Batchの使い分け
標準リアルタイムが1分0.016ドルなのに対し、Dynamic Batchは0.003ドルで、およそ80%安くなります。差は即時性で、リアルタイムはその場で結果が返り、Dynamic Batchは24時間以内に結果が返る非同期処理です。会議のライブ字幕やコールセンターの即時支援など、いま結果が必要な用途はリアルタイム、録音済みインタビューや通話ログの一括文字起こしのように翌日でよい用途はDynamic Batch、と分けると請求額を大きく抑えられます。同じChirpモデルを使うため、遅延を許容できるなら精度を落とさずに安くできる、という判断ができます。
無料枠と料金を抑える方法
無料枠は毎月60分で、期限なく継続して使えます。小規模な開発や精度の試験運用なら、この範囲で十分に試せます。加えてGoogle Cloudを新規で使い始める場合は$300の無料クレジット（付与から90日）が付き、無料枠を超えた従量課金分に充当できます。まず無料枠で短い音声を書き起こし、必要なモデルと設定を見極めてから本番の規模へ広げるのが無駄のない進め方です。
コストを下げる具体策は3つに集約されます。1つ目は、急がない処理をDynamic Batchへ寄せること（標準比およそ80%減）。2つ目は、無音区間や不要部分を事前に切り、課金対象の音声長そのものを短くすること。3つ目は、ステレオ音声を安易に多チャンネルで送らないことです。マルチチャンネル認識はチャンネルごとに課金されるため、話者分離が不要なら1チャンネルに落とすだけで請求が減ります。月間100万分を超える規模ならボリューム逓減が効くので、見積もりは単価だけでなく想定利用量まで含めて試算します。
対応言語と日本語（ja-JP）認識の精度
Google Cloud Speech-to-Textは100を超える言語・方言に対応し、日本語は言語コード ja-JP で指定します。日本語の書き起こしは、V2のChirpモデルを使うことで長めの発話や自然な会話でも安定しやすく、句読点の自動挿入にも対応します。固有名詞や社内用語、製品名のように一般的でない語は、認識のヒントとなる語句リスト（音声適応）を渡すと取りこぼしを減らせます。医療や専門領域の用語が多い場合は、用語を明示的に補強してから精度を評価するのが実務的です。
精度は音声そのものの質に強く依存します。電話帯域（8kHz）の録音より、16kHz以上でクリアに録れた音声のほうが認識は安定します。複数人が同時に話す会議や強い雑音下では取りこぼしが増えるため、マイク位置やノイズ処理を先に整えるほうが、モデルを替えるより効果が出ることが多いです。日本語で試すときは、まず無料枠で自社の実際の音声を数分書き起こし、句読点・固有名詞・数字表記の3点を人の目で確認してから本番の設定を固めると失敗しにくくなります。
音声フォーマットとエンコーディング設定（LINEAR16・FLAC）
認識精度と安定性を左右するのが音声フォーマットの指定です。Googleは可逆（ロスレス）エンコーディングを推奨しており、具体的にはLINEAR16かFLACが第一候補になります。LINEAR16は16ビットの符号付きリニアPCM（WAVコンテナの中身）で、FLACは可逆圧縮のぶんファイルが小さく転送効率に優れます。MP3のような非可逆圧縮は、圧縮時に落ちた情報が戻らないため、可能ならロスレスで用意するほうが認識結果が安定します。
設定で外せないのがサンプルレートとチャンネル数です。録音時のサンプルレート（例：16000Hz）を実際の音声と一致させて指定し、リサンプリングで水増ししないことが精度維持のコツです。マルチチャンネル認識はLINEAR16／FLACで1〜8チャンネルまで扱え、コールセンターの左右チャンネル分離などに使えますが、前述のとおりチャンネルごとに課金されます。V2 APIでは自動判定（auto decoding）に対応するモデルもあり、対応フォーマットならエンコーディングやサンプルレートを明示せずに送れる場合があります。迷ったら「16kHz以上のLINEAR16（WAV）またはFLAC、モノラル」を基準にすると、精度と料金のバランスを取りやすくなります。
APIの使い方・導入手順
導入は次の4ステップです。(1) Google Cloudでプロジェクトを作成する。(2) Speech-to-Text APIを有効化する。(3) 認証情報としてサービスアカウントを作成し、鍵（または Application Default Credentials）を用意する。(4) 各言語のクライアントライブラリ（SDK）からAPIを呼び出す。短い音声は音声データを直接送信し、長い音声やバッチは Google Cloud Storage 上のファイルURIを指定します。日本語は言語コードに ja-JP を指定します。
PythonでV2 APIを使い、日本語音声を書き起こす最小構成は次のとおりです。PROJECT_ID と音声データを自分の環境に合わせて差し替えます。なおChirp／Chirp 2は対応リージョンが限られる（us-central1など）ため、recognizer のパスに含まれる地域名（上のコードでは us-central1）はモデルの提供地域に合わせて指定します。
from google.cloud import speech_v2
from google.cloud.speech_v2.types import cloud_speech
client = speech_v2.SpeechClient()
config = cloud_speech.RecognitionConfig(
auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
language_codes=["ja-JP"],
model="chirp_2",
)
request = cloud_speech.RecognizeRequest(
recognizer="projects/PROJECT_ID/locations/us-central1/recognizers/_",
config=config,
content=audio_bytes,
)
response = client.recognize(request=request)
for result in response.results:
print(result.alternatives[0].transcript)
ストリーミング認識は streaming_recognize を使い、マイクや通話音声のチャンクを逐次送ってその場で結果を受け取ります。長時間の録音はまず Google Cloud Storage にアップロードし、ファイルURIを指定してバッチ（Dynamic Batch）で処理すると料金を抑えられます。実装の第一歩としては、無料枠の範囲で数分の音声を上の同期認識で書き起こし、言語コード・モデル・音声フォーマットの3点が期待どおり動くことを確かめてから、ストリーミングやバッチへ広げるのが安全です。OSSで自前運用したい場合の比較検討にはWhisperを使用したリアルタイム文字起こしの実現方法も参考になります。
Amazon Transcribe・Azureとの料金・機能比較
主要3社はいずれも従量課金で無料枠を持ちますが、単価の考え方と強みが違います。下表は各社の代表的な標準単価を1分あたりに換算した目安です（課金単位や割引条件は各社で異なるため、正確な比較は実際の音声量で試算してください）。
| サービス | 標準の目安単価 | 無料枠 | 特徴 |
|---|---|---|---|
| Google Cloud STT | 0.016ドル/分（Batch 0.003） | 毎月60分 | Chirp含む・100超の言語 |
| Amazon Transcribe | 0.024ドル/分（逓減あり） | 毎月60分（12カ月） | AWS統合・通話分析に強い |
| Azure Speech | 約0.0167ドル/分（$1/時） | 毎月5時間 | Microsoft 365連携が容易 |
単価だけ見ると3社は近い水準ですが、Google Cloud STTはDynamic Batchの0.003ドル/分が突出して安く、翌日でよい大量文字起こしでは総額に大きな差が出ます。Amazon TranscribeはAWS上のログやコンタクトセンター基盤との統合、Azureは Teams や Microsoft 365 との連携で選ばれることが多く、料金だけでなく既存インフラとの相性で決まりがちです。各社とも価格改定があるため、最新は公式の料金ページで確認してください。より安価な選択肢や日本語特化の候補を含めて比較したい場合は、Azure Speech Serviceの主要機能と活用方法について、Deepgramとは？料金・日本語対応・APIの使い方を解説【2026年版】、AssemblyAIとは？音声認識APIの機能・料金・使い方を解説もあわせて検討すると判断しやすくなります。
Google Cloud Speech-to-Textの料金・無料・使い方に関するよくある質問
Google Cloud Speech-to-Textの料金はいくらですか？
従量課金で、2026年時点の標準リアルタイム認識（Chirpモデルを含む）は1分あたり0.016ドルです。月間50万分を超えると単価が段階的に下がり、200万分超では0.004ドルまで低下します。急がない大量処理向けのDynamic Batchを使うと1分あたり0.003ドル（標準比およそ80%安）で、結果は24時間以内に返ります。料金は地域・モデル・データロギング設定で変わるため、正確な見積もりは公式の料金ページで確認してください。
無料で使える範囲はありますか？
毎月60分までの無料枠があり、期限なく継続して利用できます。小規模な開発や試験運用なら、この範囲で十分に試せます。さらにGoogle Cloudを新規に使い始める場合は$300の無料クレジット（付与から90日）が付与され、無料枠とは別に従量課金分へ充当できます。無料枠を超えた分は1秒単位で従量課金になるため、長時間の音声はDynamic Batchの活用や不要部分の事前カットでコストを抑えるのが現実的です。
日本語には対応していますか？精度はどうですか？
対応しています。言語コードに ja-JP を指定すると日本語を書き起こせます。V2のChirpモデルは長めの発話や自然な会話でも比較的安定し、句読点の自動挿入にも対応します。固有名詞や専門用語は音声適応（ヒント語句）で補強すると取りこぼしを減らせます。精度は音声品質に左右されるため、16kHz以上のクリアな録音を用意し、まず無料枠で自社の実音声を試すのが確実です。
どの音声フォーマットで送ればよいですか？LINEAR16とは何ですか？
可逆エンコーディングのLINEAR16かFLACが推奨です。LINEAR16は16ビットの符号付きリニアPCM（WAVの中身）で、FLACは可逆圧縮のためファイルが小さくなります。MP3などの非可逆圧縮より情報の欠落が少なく、認識が安定します。サンプルレートは録音時の値（例：16000Hz）に合わせて指定し、マルチチャンネルはLINEAR16／FLACで1〜8チャンネルまで扱えます。迷ったら「16kHz以上のLINEAR16またはFLAC、モノラル」を基準にしてください。
Amazon TranscribeやAzureとどう違いますか？料金は同じくらいですか？
標準単価は3社とも1分あたり0.016〜0.024ドル前後で近い水準です。Google Cloud STTはChirpを追加料金なしで使え、Dynamic Batchの0.003ドル/分が特に安いのが強みです。Amazon TranscribeはAWS統合やコールセンター分析、Azure Speechは Teams・Microsoft 365 との連携に強みがあります。課金単位や割引条件が各社で異なり単純比較は難しいため、実際の音声サンプルで精度と月額見込みを試算して選ぶのが確実です。各社とも価格改定があるため最新は公式で確認してください。
