Deepgram（ディープグラム）は、音声をテキストにする音声認識（STT）を中心に、音声合成（TTS）と音声エージェントまでをAPIで提供するサービスです。この記事では2026年10月15日時点の公式料金ページと開発者ドキュメントをもとに料金・日本語対応・APIの呼び方を整理し、Python SDKの最新版（7.13.0）で書いたコードを手元のモックサーバーに向けて実行し、送信されるリクエストの形まで確認したうえで解説します。
まとめ：Deepgramの料金・日本語・APIの要点
録音ファイルの文字起こしは、主力モデルNova-3で1分0.0043ドルです。登録時に付く200ドルの無料クレジットは、この単価で約46,500分（約775時間）に相当し、クレジットカードは不要です。リアルタイム（ストリーミング）は2026年10月時点でキャンペーン価格の1分0.0048ドル、通常価格は0.0077ドルです。以前の料金表では録音が0.0077ドルでリアルタイムより高かったため「リアルタイムのほうが安い」と紹介されることがありますが、現在は録音のほうが安くなっています。
日本語はNova-3の単一言語モデルでlanguage=jaを指定すれば使えます（2025年11月4日に追加）。日本語と英語が混ざる会議だけ、単価が約2割高い多言語モデル（language=multi）を選びます。APIはAuthorization: Token <APIキー>のヘッダーを付けてhttps://api.deepgram.com/v1/listenへ音声を送るだけで、Python SDK v7ならコードは10行ほどです。導入前には、従量課金プランの同時接続数の上限（録音50本・リアルタイム150本、話者分離を付けるとリアルタイムも50本）と、データを処理するリージョンに日本が無い点を確認してください。
Deepgramとは：音声認識・音声合成・音声エージェントのAPI
Deepgram, Inc.は2015年創業、米サンフランシスコを拠点とする音声AI企業で、Y Combinatorの企業ページでは物理学者出身の創業者による会社として紹介されています。製品はすべてAPI（とセルフホスト版）として提供され、画面で録音を貼り付けて使う議事録アプリではありません。自社のシステムやアプリに音声認識を組み込む開発者向けのサービスです。
2026年10月時点のモデル構成は、公式のModels & Languages Overviewで次のように整理されています。
| 用途 | モデル | エンドポイント | 日本語 |
|---|---|---|---|
| 汎用の文字起こし | Nova-3 | /v1/listen | 対応（ja・multi） |
| 音声エージェント向け | Flux | /v2/listen | 多言語版で対応 |
| Nova-3未対応言語 | Nova-2 | /v1/listen | 対応 |
| 音声合成 | Flux TTS | /v2/speak | 英語のみ |
| 音声合成（多言語） | Aura-2 | /v1/speak | 対応 |
会議録・通話ログ・動画字幕のように「話された内容を文字にする」用途はNova-3です。Fluxは、相手が話し終えたかを判定するターン検知をモデルに内蔵した、AIが人と音声で会話するためのモデルで、ストリーミング専用です。2026年10月15日時点の公式モデル一覧と変更履歴にNova-4という名前は無く、汎用の最上位はNova-3のままです。
Deepgramの料金（2026年10月）
料金は公式の料金ページに載っており、契約形態は3つです。最低利用額も期限も無い従量課金のPay As You Go、年額4,000ドル以上を前払いして最大20%安くなるGrowth、個別見積のEnterpriseです。以下の数値は2026年10月15日に料金ページから取得した値です。
文字起こし（録音・リアルタイム）の分単価
| モデル | 録音 | リアルタイム（現在） | リアルタイム（通常） |
|---|---|---|---|
| Nova-3 単一言語（ja等） | 0.0043ドル | 0.0048ドル | 0.0077ドル |
| Nova-3 多言語（multi） | 0.0052ドル | 0.0058ドル | 0.0092ドル |
| Flux 英語 | – | 0.0065ドル | 0.0077ドル |
| Flux 多言語 | – | 0.0078ドル | 0.0078ドル |
| Whisper Large | 0.0048ドル | – | – |
いずれもPay As You Goの1分あたりの単価です。リアルタイムの「現在」は料金ページに期間限定（Limited-time promotional rates）と書かれた値で、終了時期は明記されていません。長期の見積もりは通常価格で組むのが安全です。Growthでは録音のNova-3単一言語が0.0036ドルまで下がります。
200ドルの無料クレジットで使える時間
無料クレジットは200ドルです。料金ページのPay As You Goの欄には「No minimums. No expiration.」「No credit card required.」と書かれています。日本語の録音（Nova-3・ja）なら200÷0.0043で約46,500分、約775時間です。リアルタイムは現在の価格で約694時間、通常価格に戻ると約433時間になります。旧版の記事やまとめサイトに残る「約433時間」は、録音の単価が0.0077ドルだった時期の計算です。
月の利用量で見ると、日本語の会議録音を月1,000時間（60,000分）処理しても258ドルです。コールセンターの通話を同じ量だけリアルタイムで処理し話者分離も付ける場合は、通常価格で(0.0077＋0.0020)×60,000＝582ドルになります。
追加機能と音声合成の料金
オプション機能には、単価に上乗せされるものとされないものがあります。句読点や数字の整形（Smart Formatting）は録音・リアルタイムとも追加料金なしです。話者分離は録音なら無料ですが、リアルタイムでは1分0.0020ドルが加算されます。専門用語の認識を補うKeyterm Promptingは1分0.0013ドル、個人情報の伏せ字（Redaction）は1分0.0020ドルが上乗せされます。
音声合成は文字数課金で、Aura-2が1,000文字0.030ドル、Flux TTSが1,000文字0.045ドルです。音声エージェントAPIは接続時間に対して1分0.075ドル（Standard）かかります。
Deepgramの日本語対応と精度の見極め方
2025年までは「日本語は多言語モデルで対応」という説明が一般的でしたが、現在は違います。2025年11月4日の変更履歴で、Nova-3に日本語（ja）の単一言語モデルが追加されました。日本語だけの音声なら、多言語モデルより安い単一言語の単価で処理できます。
language=ja と multi の使い分け
日本語だけの会議・通話・動画はlanguage=jaです。日本語と英語が文の途中で切り替わる音声（外資系の社内会議、英語の製品名が多い技術セミナーなど）はlanguage=multiを選びます。多言語モデルが同じ音声の中で切り替えに追従できるのは、英語・スペイン語・フランス語・ドイツ語・ヒンディー語・ロシア語・ポルトガル語・日本語・イタリア語・オランダ語の10言語の組み合わせです。韓国語や中国語との混在は対象外です。言語検出（detect_language）は音声全体の主要な言語を1つ判定する機能で、1本の音声の中の切り替えには対応しません。混在する音声は、話者や区間ごとに音声を分けてからそれぞれの言語で処理します。
英語の製品名が少し混ざる程度なら、jaのまま製品名をKeyterm Promptingに登録する方法もあります。ただしKeyterm Promptingは1分0.0013ドルの追加料金がかかり、録音ではja＋Keytermが1分0.0056ドルとmulti単体（0.0052ドル）より高くなります。費用より日本語部分の精度を優先する場合の選択肢です。公式ドキュメントによると、Keyterm PromptingはNova-3の単一言語・多言語の両方とFluxで使え、1リクエストで登録できるのは全キーワード合計500トークンまでです。
日本語で起きやすい問題と対処
Deepgramは日本語の誤り率（WER）を公表していません。公式が示すNova-3の「競合比でWERをストリーミング54.2%・録音47.4%削減」は言語別の内訳が無い自社公表値で、日本語の精度の根拠にはなりません。採用を判断するなら、自社の音声を30分ほど用意して無料クレジットの範囲で書き起こし、人手の書き起こしと文字単位で比べるのが確実です。
比べるときに見ておきたい点は3つあります。1つ目は句読点です。Nova-2の日本語で話者分離を試したZennの検証記事（2025年12月）では、話者ごとのテキストの先頭に「。」や「、」が付く現象が報告されています。Deepgramは2026年8月のセルフホスト版リリースで日本語の文末句読点の整形を改善したと公表していますが、自社データで確認してください。2つ目は数字の表記です。日本語（language=ja）の数字整形は、2026年10月1日のセルフホスト版リリースでnumerals=trueまたはsmart_format=trueの対象に加わったばかりなので、金額・日付・電話番号が多い音声では表記を重点的に確かめます。3つ目は固有名詞で、社名・製品名・部署名はKeyterm Promptingに入れると取りこぼしが減ります。
音声合成とFluxの日本語対応
音声合成は、最新のFlux TTSが英語専用です。TTSのモデル一覧では、日本語の読み上げにはAura-2（モデル名はaura-2-{音声名}-ja）を使うよう案内されています。音声エージェント向けの認識モデルFluxは、多言語版flux-general-multiが日本語を含む10言語に対応しています。日本語の読み上げの自然さを重視するなら、日本語に強い音声合成サービスとの比較も必要で、候補にはElevenLabs（イレブンラボ）の料金と無料版の商用制限も入ります。
Deepgram APIの使い方：APIキーの発行から文字起こしまで
ここからのコードは、2026年10月12日公開のPython SDK 7.13.0で書き、ローカルに立てたモックサーバーへ送って、SDKが組み立てるリクエストのURL・ヘッダーと、応答からテキストを取り出す処理が動くことを確認しました。実際のAPIに送った結果ではないため、認識結果の中身はここでは扱いません。
APIキーの発行手順
公式サイトでアカウントを作成すると、管理画面（console.deepgram.com）にプロジェクトが1つでき、200ドルのクレジットが入ります。管理画面でAPIキーを作成し、表示された値を控えます。キーはソースコードに書かず、環境変数DEEPGRAM_API_KEYに入れておきます。SDKはこの環境変数を自動で読み、無い場合は「api_keyを渡すかDEEPGRAM_API_KEYを設定せよ」という例外を出して止まります。
curlでの録音ファイルの文字起こし
SDKを入れる前に、curlで1回送ってみるとAPIの形がつかめます。音声ファイルの中身をそのままリクエスト本文に入れ、モデル・言語・オプションはURLのクエリに並べます。
curl -X POST "https://api.deepgram.com/v1/listen?model=nova-3&language=ja&smart_format=true&diarize_model=latest&mip_opt_out=true" \
-H "Authorization: Token $DEEPGRAM_API_KEY" \
-H "Content-Type: audio/wav" \
--data-binary @meeting.wav認証ヘッダーはBearerではなくTokenで始まる点に注意してください。返ってくるJSONのresults.channels[0].alternatives[0].transcriptが書き起こし本文です。手元にファイルが無く公開URLの音声を使う場合は、本文を{"url": "音声のURL"}のJSONにしてContent-Type: application/jsonで送ります。
Python SDK v7での録音ファイルの文字起こし
SDKはpip install deepgram-sdk==7.13.0のように版を指定して入れると、この記事と同じ環境を再現できます（版を付けなければその時点の最新版が入ります）。7系はPython 3.10以上が必要で、Python 3.9の環境で同じコマンドを打つと、エラーにならずに6.1.1が入りました。6.1.1は2026年3月27日公開の版で、4月以降の7系の更新が入らないため、Python 3.10以上の環境で7系を使ってください。
from deepgram import DeepgramClient
client = DeepgramClient() # 環境変数 DEEPGRAM_API_KEY を読む
with open("meeting.wav", "rb") as f:
res = client.listen.v1.media.transcribe_file(
request=f.read(),
model="nova-3",
language="ja",
smart_format=True,
diarize_model="latest",
keyterm=["議事録", "Deepgram"],
mip_opt_out=True,
)
print(res.results.channels[0].alternatives[0].transcript)このコードをモックサーバーに向けて実行すると、SDKは/v1/listen?diarize_model=latest&keyterm=%E8%AD%B0%E4%BA%8B%E9%8C%B2&keyterm=Deepgram&language=ja&model=nova-3&smart_format=true&mip_opt_out=trueのようなURLを作り、Authorization: Token …を付けて送りました。日本語のキーワードはURLエンコードされ、リストで渡したキーワードはkeyterm=が繰り返されます。
2つの書き方に注意が要ります。話者分離のdiarize=Trueは公式ドキュメントで非推奨になり、diarize_model="latest"に置き換わりました。両方を指定したリクエストは拒否されます。またKeyterm Promptingを"議事録,Deepgram"のようにカンマ区切りの1つの文字列で渡すと、エラーにならないまま「議事録,Deepgram」という1語として扱われ、どちらも補正されません。必ずリストで渡してください。
WebSocketでのリアルタイム文字起こし
通話や配信のリアルタイム処理はlisten.v1.connectでWebSocketを開き、音声を少しずつ送ります。次のコードは、16kHz・16bit・モノラルのPCM（WAVのヘッダーを除いた生データ）を100ミリ秒ずつ送り、途中結果と確定結果を表示します。
import threading, time
from deepgram import DeepgramClient
from deepgram.core.events import EventType
client = DeepgramClient()
with client.listen.v1.connect(model="nova-3", language="ja", encoding="linear16",
sample_rate="16000", interim_results="true",
mip_opt_out="true") as socket:
def on_message(msg):
if getattr(msg, "type", "") == "Results":
text = msg.channel.alternatives[0].transcript
if text:
print("確定" if msg.is_final else "途中", text)
socket.on(EventType.MESSAGE, on_message)
listener = threading.Thread(target=socket.start_listening, daemon=True)
listener.start()
with open("meeting.raw", "rb") as f:
while chunk := f.read(3200): # 3200バイト＝100ミリ秒分
socket.send_media(chunk)
time.sleep(0.1)
socket.send_close_stream()
listener.join(timeout=10)
if listener.is_alive():
raise RuntimeError("最終結果を受け取る前にタイムアウトしました")モックサーバーで動かしたところ、1秒分（32,000バイト）の音声が/v1/listen?encoding=linear16&interim_results=true&language=ja&mip_opt_out=true&model=nova-3&sample_rate=16000へ送られ、サーバーが返した確定結果が表示されました。受信スレッドが10秒以内に終わらない場合は、末尾の結果を取りこぼした可能性があるため例外にしています。最後のsend_close_streamは、サーバーに残りの音声を処理させて最終結果を返させるメッセージ（CloseStream）で、これを送らずに接続を閉じると末尾の確定結果を取りこぼします。音声エージェントで発話の終わりを判定したい場合は、listen.v2.connect(model="flux-general-multi", ...)でFluxに接続します。FluxはResultsではなくTurnInfoなどのターン単位のイベントを返すため、上のon_messageもイベントに合わせて書き換えが必要です。手順は公式のNova-3からFluxへの移行ガイドにまとまっています。
導入前に確認する制限：同時接続数・リージョン・学習利用
料金と精度だけで決めると、本番で詰まるのがこの3点です。どれも契約形態で変わるため、検証の段階で確認しておきます。
同時接続数の上限
公式のAPI Rate Limitsによると、Pay As You Goで同時に処理できるNova-3の文字起こしは、既定の北米エンドポイント（api.deepgram.com）で録音50本、リアルタイム150本までです。この上限はアカウントやAPIキーではなくプロジェクトごとに数えられ、プロジェクトを増やしても上限は増えません。
注意したいのは話者分離です。話者分離を付けたリクエストには別の上限がかかり、北米では録音・リアルタイムとも50本、EUでは25本に下がります。Growthにすると北米のリアルタイムは225本に増えますが、EUなど他のリージョンは150本のままで、話者分離付きの上限も変わりません。通話を話者分離付きで50本以上同時に処理する計画なら、Enterpriseの見積が必要です。
上限を超えたリクエストは待たされるのではなく、429 Too Many Requestsのエラーで返されます。録音の一括処理は自前のキューで並列数を上限未満に抑え、429が返ったら間隔を空けて再送する実装にします。音声合成の上限は方式とモデルで異なり、Aura-2はRESTで15本・ストリーミングで45本です。
データを処理するリージョン
既定のapi.deepgram.comのほか、リージョン別のエンドポイントとしてEU（api.eu.deepgram.com）、オーストラリア、インドが用意されています。2026年10月時点で日本のリージョンは一覧にありません。社内規程や顧客との契約で「音声データを国内で処理すること」が条件になっている場合、Deepgramのクラウドは使えず、セルフホスト版（Enterprise）か国内で処理できる別サービスを検討します。日本語特化で国内処理のサービスにはAmiVoice APIがあります。
音声データの学習利用
Deepgramには、送られた音声をモデル改善に使うModel Improvement Programがあります。リクエストにmip_opt_out=trueを付けると、そのリクエストは対象から外れ、データは処理に必要な間だけ保持されます。2026年3月5日の変更で、Pay As You GoとGrowthでは参加しても外れても料金表の単価は変わらなくなりました。顧客の通話や社内会議を扱うなら、最初からmip_opt_out=trueを付けておくのが無難です。
Deepgramを選ぶ場面・選ばない場面
Deepgramが向くのは、通話・配信・音声エージェントのように低遅延のリアルタイム処理が要る用途と、大量の録音を安く処理したい用途です。録音なら日本語でも1分0.0043ドルで、話者分離の追加料金もかかりません。認識（Nova-3・Flux）、合成（Aura-2）、エージェント基盤を同じAPIキーでそろえられるのも、音声対話を作る開発では効きます。
選ばないほうがよいのは、次の3つの場面です。音声を国内で処理する必要がある場合は、前章のとおり日本リージョンがありません。日本語の読み上げを製品の中心に置く場合は、最新のFlux TTSが英語専用で、日本語で選べるのはAura-2だけです。声の種類や抑揚を比べる候補が少ないので、日本語に強い音声合成サービスと聞き比べてから決めます。音声データを社外に一切出せない場合は、DeepgramのクラウドAPIは候補から外れます。Enterprise契約のセルフホスト版か、OpenAIのWhisperのように自社サーバーで動かせるモデルを比べることになります。
Google Cloud Speech-to-Text・Amazon Transcribe・OpenAIの文字起こしモデル・AssemblyAIなど主要7サービスの料金と日本語対応は、文字起こしAPIの比較と選び方で横並びにしています。同じく英語圏発で比べられることの多いAssemblyAIの日本語対応・料金・APIの使い方や、話者分離に特化したOpenAIのgpt-4o-transcribe-diarizeも候補になります。電話回線とつなぐなら、Twilio経由でDeepgramを使う構成をTwilio APIで音声AIを動かす4ルートで扱っています。社内の業務に音声認識を組み込む設計から任せたい場合は、一創のAI音声認識システム開発でご相談を受け付けています。
Deepgramの料金・日本語・APIに関するよくある質問
Deepgramの読み方は？どこの会社ですか？
「ディープグラム」と読みます。運営するDeepgram, Inc.は2015年創業の米国の会社で、サンフランシスコを拠点に音声認識・音声合成・音声エージェントのAPIを提供しています。開発者ドキュメントは英語で提供されています。
Deepgramは無料で使えますか？
登録時に200ドルの無料クレジットが付き、クレジットカードの登録なしで使えます。料金ページでは有効期限なしと表示されています。日本語の録音（Nova-3）なら約775時間分です。使い切った後は、支払い方法を登録するまでAPIが402 Payment Required（クレジット不足）を返し、登録後は従量課金（録音1分0.0043ドル〜）で使えます。永続的な無料プランはありません。
Deepgramの日本語の精度はどのくらいですか？
日本語の誤り率は公式に公表されていません。公表されているNova-3のWER削減率は言語別の内訳が無い自社公表値です。日本語では句読点の位置・数字の表記・固有名詞で差が出やすいため、自社の音声30分ほどを無料クレジットで書き起こし、Smart FormattingとKeyterm Promptingを付けた状態で人手の書き起こしと比べて判断してください。
DeepgramはText to Speech（音声合成）に対応していますか？
対応しています。最新のFlux TTSは英語のみで、日本語はAura-2（aura-2-{音声名}-ja）で読み上げます。料金は1,000文字あたりAura-2が0.030ドル、Flux TTSが0.045ドルで、文字起こしと同じAPIキーで使えます。
Deepgram Nova-4はありますか？
2026年10月15日時点で、公式のモデル一覧と変更履歴にNova-4はありません。汎用の文字起こしの最上位はNova-3で、音声エージェント向けには別系統のFluxが提供されています。新モデルが出た場合は公式のModels & Languages Overviewに載るので、そちらで確認してください。
