会議の議事録、現場作業の記録、電話対応のログ。「録音を文字にする」という作業は、業種を問わずどこの会社にも存在します。文字起こしAIはこの作業を代行してくれるツールですが、「録音すれば何でも正確にテキスト化される」わけではありません。この記事では、公開されている料金・機能情報をもとに、どんな場面で向いていて、どんな場面で崩れやすいかを整理します。

文字起こしAIの主な選択肢と料金

代表的なサービスを、公開情報にもとづいて挙げます。以下の料金はいずれも2026年7月時点で各サービスの公開情報を確認した値です。料金プランは改定されることがあるため、契約前には必ず最新の公式ページをご確認ください。

OpenAIのWhisper APIは、開発者向けに音声認識モデルを従量課金で提供しています。文字起こしモデル「whisper-1」は1分あたり0.006ドルという価格です(出典：OpenRouter「Whisper 1 - API Pricing」)。アプリではなくAPIのため、自社のシステムに組み込んで使う形が前提になります。

Nottaは個人・法人向けの文字起こしアプリです。無料プランは月120分まで、1回の文字起こしは3分までという制限があります。有料の「プレミアム」プランは月額1,980円(月払い。年払いは年14,220円)で、月1,800分まで、1回あたり最長90分まで文字起こしできます(出典：AI文字起こしツールガイド「Nottaの料金プラン」)。

LINE WORKS AiNote(旧CLOVA Note)は、無料の「フリー」プランで月300分まで利用できます。有料の「ソロ」プランは月600分まで文字起こしでき、年契約で月額1,440円、月払いでは月額1,600円です(出典：LINE WORKS公式「LINE WORKS AiNoteの料金プランを徹底解説」)。

Rimo Voiceは日本語に特化した文字起こしサービスです。公式サイトによると、文字起こし専用の「文字起こしプラン」は月額1,650円で月2,100分、上位の「プロプラン」は月額4,950円で文字起こし時間が無制限になります(出典：Rimo公式サイト「Rimo Voice 料金プラン」)。

Google Cloud Speech-to-Textは開発者向けのAPIで、毎月60分までは無料で音声を送信できます。それを超えると従量課金となり、V2の標準モデルで1分あたり0.016ドルという価格帯です(出典：Google Cloud公式「Speech-to-Text API Pricing」)。

料金体系は大きく2種類に分かれます。NottaやRimo Voiceのように月額固定でアプリとして使うタイプと、WhisperやGoogle Cloudのように従量課金でシステムに組み込むタイプです。会議の議事録に使うだけならアプリ型、コールセンターの通話ログのように大量の音声を自動処理したいならAPI型が向いています。

向いている場面：構造がはっきりした会話

文字起こしAIが力を発揮しやすいのは、次のような場面です。

  • 1人が話す時間が長い会議やセミナー：発言が重ならず、話者の切り替わりが少ない音声は、認識の誤りが起きにくい条件です。
  • 静かな屋内での録音：会議室や電話のように背景ノイズが少ない環境は、雑音による誤認識が起きにくいところです。
  • 標準語に近い話し方：ニュース原稿のような明瞭な発話に近いほど、認識精度は上がりやすい傾向があります。

Notta公式サイトは音声認識の精度を98.86%としていますが、これは「環境音40dB程度の静かな会議室で、話者が外部マイクから1mの距離にいて、4人が発言を重ねずに会話する」という条件下での数値とされています。Rimo Voiceも自社の検証で、音声5件以上をアップロードした条件下で文字起こしの正確率90%以上という結果を公表しています(出典：Notta公式サイト、Rimo公式サイト)。ただし、これらはいずれも各社が自社サービスについて示した数値であり、独立した第三者による比較検証ではありません。録音環境や話者の話し方によって実際の体感精度は変わるという点は踏まえておく必要があります。

向いていない場面：専門用語・方言・複数人同時発話

一方で、崩れやすい条件も具体的に存在します。

専門用語・社内用語は、一般的な会話データで学習されたAIにとって未知の単語になりやすく、似た音の一般語に変換されてしまうことがあります。製造業の型番や薬品名、業界特有の略語などは、そのままでは誤変換されやすい代表例です。NottaやRimo Voiceのように、専門用語を辞書として事前登録できる機能を持つサービスもありますが、登録の手間はかかります。

方言やイントネーションの強い話し方も、認識精度が落ちやすい条件です。標準語での学習データが中心のモデルでは、語尾や訛りの強い発話を誤って別の単語に変換することがあります。

複数人が同時に話す場面は、最も崩れやすい条件です。会議で複数人の発言が重なった部分は、どちらの発言かAIが判別できず、片方が欠落したり、混ざったテキストになったりします。現場作業中に複数の作業員が同時に指示を出し合うような音声も、同様の理由で文字起こしの精度が下がりやすいところです。

電話越しの音声も条件によっては精度が落ちます。通信品質が低い回線や、店舗の背景音が大きい環境での通話は、静かな会議室の録音に比べて誤認識が増える傾向があります。

導入前に確認したいこと

文字起こしAIを業務に組み込む前に、次の点を確認しておくと、導入後のギャップを減らせます。

  • 話者分離の精度：誰が発言したかを自動で振り分ける機能は多くのサービスにありますが、声が似ている場合や同時発話が多い会議では、振り分けが崩れることがあります。
  • 専門用語辞書の有無：業界特有の言葉を多く使う会社では、辞書登録機能の有無を確認しておく価値があります。
  • データの取り扱い：録音データが学習に使われるかどうか、法人向けプランでデータ保持期間が明示されているかは、社外秘の内容を扱う会議では確認しておく必要があります。
  • 人による確認工程を残すか：文字起こしの出力をそのまま議事録として配布するのではなく、要点だけ人が確認する工程を挟むかどうかも、業務によって判断が分かれます。

では自社では何から始めるか

まずは無料プランの範囲で、実際の会議や現場の録音を1件だけ文字起こしにかけてみて、専門用語や複数人発話の部分がどの程度崩れるかを確認してみるという進め方が考えられます。崩れる箇所が限定的であれば、その部分だけ人が手直しする前提で業務に組み込む選択肢がありますし、崩れが大きい会議が多いようであれば、静かな1対1の電話対応や、1人が長く話すセミナーの記録から使い始めるという選択肢もあります。

出典：(いずれも2026年7月時点で内容を確認) - Whisper 1 - API Pricing & Providers(OpenRouter) - Nottaの料金プランと月額は？(AI文字起こしツールガイド) - 音声認識・テキスト化サービス-音声認識精度98％(Notta公式サイト) - LINE WORKS AiNoteの料金プランを徹底解説！(LINE WORKS公式サイト) - Rimo Voice 料金プラン(Rimo公式サイト) - Speech-to-Text API Pricing(Google Cloud公式)