Deepgram（ディープグラム）

従量課金制（文字起こしは音声1分あたり約0.0043ドル〜。大量利用の割引あり）。登録時に200ドル分の無料クレジットがもらえます。

Deepgram（ディープグラム）は、文字起こしとリアルタイム音声処理を専門とするAPIサービスです。

最大の強みは、会話をその場で文字にしていく「リアルタイム文字起こし」の速さと安定感で、電話の自動応答システムや、AIと音声で会話するアプリの裏側で世界中に採用されています。

録音済みのファイルを後から文字にするのとは違い、話している最中に文字が追いついてくる処理は技術的な難易度が高く、この分野でDeepgramは長年の実績を持っています。

2026年には多言語のリアルタイム対応が強化され、さらに8月には会話AI向けの読み上げモデル「Flux TTS」も登場しました。

これにより「聞く」と「話す」の両方を1社でまかなえるようになり、日本語を含む会話アプリが作りやすくなっています。

料金は文字起こしが1分あたり0.0043ドル（録音済みの音声を標準モデルで処理した場合。リアルタイム処理や多言語対応は少し上がります）から、読み上げが1,000文字あたり0.045ドル。

そして登録時に200ドル分の無料クレジットがもらえます。なお2026年8月12日に登場した会話AI向けの読み上げモデル「Flux TTS」は、2026年9月12日まで無料で試せる期間が設けられていました。2026年9月13日から1,000文字あたり0.045ドルの課金が始まっています（2026年11月5日時点の公式料金ページでは、大量利用向けのGrowthプランでも同じ0.045ドルです）。ただし2026年12月31日までは、Flux TTSに使った金額と同額のクレジット（最大500ドル分）が戻ってくるキャンペーンが実施されています。

開発者コミュニティでは「リアルタイム性能ならDeepgram」という評判が定着しています。

音声で対話するアプリでは、返答までの間（ま）が不自然だと会話として成立しないため、この速さは決定的な差になります。

特筆すべきは登録時にもらえる200ドル分の無料クレジットで、「個人開発なら無料分だけで当分戦える」と評判です。

クレジットカードの登録も不要なため、気軽に試せます。

Whisperとの比較では「録音済みファイルの文字起こしはWhisper系（今ならgpt-transcribe）、生放送的な用途はDeepgram」という使い分けが定番の整理です。

弱点としては、日本語の精度が英語ほどではないという声があり、専門的な内容ではWhisperの方が良い結果になる場合もあります。

まずは無料クレジットの範囲で、あなたが扱う音声の種類で聞き比べてみることをお勧めします。音声で対話するアプリを作りたくなったときに、真っ先に思い出してほしいサービスです。