---
title: "Whisper API 代替：精度・対応言語・料金で比較 | BroadRouter"
description: "OpenAI Whisper API のホスト型代替が適するのはどんなときか。自分の音声での単語誤り率、言語、1 時間あたりの料金、制限、プライバシーをテストコード付きで解説します。"
url: https://broadrouter.com/ja/blog/whisper-api-alternative/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/whisper-api-alternative/)（2026-11-15 更新）。

# Whisper API の代替：乗り換えるべきタイミングとテスト方法

BroadNet Inference チーム · 約 6 分で読めます · 公開日 2026-11-14 · 更新日 2026-11-15

OpenAI は whisper-1 を非推奨とし、2027 年 2 月 26 日に提供終了とするため、Whisper API の利用者は全員別のモデルに移ることになります。代替は、言語ごとに自分の音声 30〜50 本での単語誤り率で選び、次に料金を見ます。BroadNet Transcribe は同じ OpenAI SDK の呼び出しで使え、14 言語で 1 分 $0.002 です。

## 要点

-   OpenAI は whisper-1 を 1 分 USD 0.006 とし、98 言語に対応するが精度は言語により異なるとしたうえで、2027 年 2 月 26 日に提供終了の非推奨モデルとしています。推奨される後継の gpt-transcribe は 1 分 USD 0.0045 です（2026-11-15 確認）。
-   多くの代替サービスは同じ /v1/audio/transcriptions の呼び出しを維持しているので、乗り換えはベース URL とモデルの変更で済みます。
-   ベンチマークは絞り込みの道具であって結論ではありません。同じモデルでも、読み上げのアラビア語では WER 3.8、方言の発話では 23.4 になります。
-   verbose\_json のタイムスタンプのような Whisper 固有のオプションは、代替サービスにはないかもしれません。OpenAI が単語タイムスタンプを記載しているのは whisper-1 だけなので、gpt-transcribe に移る場合でも事前に確認してください。
-   BroadNet Transcribe は音声 1 時間あたり $0.12、BroadNet Transcribe Arabic は $0.25 です。

**このページの内容**

1.  OpenAI Whisper API は廃止されるのか？
2.  Whisper API の代替を探す理由は？
3.  Whisper API の代替にはどんなものがあり、いくらかかるか？
4.  精度の数字は実際に何を意味するのか？
5.  Whisper の代替を半日でテストする方法
6.  代わりに Whisper をセルフホストすべきなのはいつか？
7.  移行チェックリスト
8.  BroadNet Transcribe が向いているケース

OpenAI Whisper API は、多くのチームが最初に使うものです。エンドポイントが 1 つ、料金も 1 つで、数十の言語に対応しています。**Whisper API の代替**を探すのは、次の 4 つのどれかが起きたときです。自分の音声で精度が足りない、利用量とともに請求が膨らむ、セキュリティチームが保持するデータを減らしたがっている、あるいは呼び出しているモデルが廃止される。この記事では、判断の仕方と、コードを書き直さずに代替をテストする方法を紹介します。

## OpenAI Whisper API は廃止されるのか？

はい、OpenAI の現在のスケジュールではそうなっています。2026-11-15 に確認した[非推奨ページ](https://developers.openai.com/api/docs/deprecations)では、`whisper-1`、`gpt-4o-transcribe`、`gpt-4o-mini-transcribe`、`gpt-4o-transcribe-diarize` が非推奨とされ、2026 年 8 月 26 日に告知、2027 年 2 月 26 日に提供終了となっています。推奨される後継は、ファイル向けが `gpt-transcribe`（1 分 USD 0.0045、1 時間 USD 0.27）、ライブ音声向けが `gpt-live-transcribe` です。[料金ページ](https://developers.openai.com/api/docs/pricing)でも同じ 4 つのモデルが非推奨とされ、[音声認識ガイド](https://developers.openai.com/api/docs/guides/speech-to-text)には “Start with gpt-transcribe”（訳：gpt-transcribe から始めてください）とあります。`/v1/audio/translations` エンドポイントも非推奨です。つまり、どちらにしても新しいモデルで自分の音声を再テストすることになります。今こそ、同じ音声で OpenAI の後継と他社のプロバイダーを比べる好機です。

全体像を知りたい場合は、オープンな[音声認識 API 価格指数](https://broadrouter.com/data/speech-to-text-api-prices/)で、20 以上の製品のバッチとストリーミングの料金、課金単位、アラビア語対応を一覧にしています。各値はプロバイダー自身の料金ページで確認済みです（CSV と JSON）。

## Whisper API の代替を探す理由は？

| 理由 | 代替サービスで確認すること |
| --- | --- |
| 特定の言語や方言での精度 | 関連するテストセットで公表されている[単語誤り率](https://broadrouter.com/ja/glossary/word-error-rate/)、そのあと自分でのテスト |
| 大量利用時の料金 | 音声 1 時間あたりの料金と最低課金単位 |
| データ保持 | 音声と文字起こしを保存するか、どれくらいの期間か |
| 制限 | ファイルサイズ、形式、レート制限 |
| 機能 | タイムスタンプ、話者分離、プロンプト、ストリーミング |

OpenAI の[音声認識ガイド](https://developers.openai.com/api/docs/guides/speech-to-text)には “Whisper supports 98 languages, but accuracy varies by language”（訳：Whisper は 98 言語に対応していますが、精度は言語によって異なります）と書かれています。これが正直な出発点です。対応言語の一覧からわかるのは「できること」であって、「うまくできること」ではありません。

## Whisper API の代替にはどんなものがあり、いくらかかるか？

| 選択肢 | 料金（定価、2026 年 11 月） | 言語 | 備考 |
| --- | --- | --- | --- |
| OpenAI Whisper API（`whisper-1`） | USD 0.006/分 | 98（精度は言語により異なる） | ファイル 25 MB。プロンプトは最大 224 トークン。2027-02-26 に提供終了 |
| OpenAI `gpt-transcribe` | USD 0.0045/分（USD 0.27/時間） | OpenAI のガイドを参照 | OpenAI 推奨の後継。OpenAI のガイドでは、単語タイムスタンプは `whisper-1` でのみ、話者ラベルは非推奨の diarize モデルでのみ示されている |
| Groq、Whisper Large v3 | USD 0.111/時間 | 多言語 | Groq の公表 WER は 10.3%。最低 10 秒課金 |
| Groq、Whisper Large v3 Turbo | USD 0.04/時間 | 多言語 | Groq の公表 WER は 12%。翻訳向けには学習されていない |
| Soniox（非同期） | 約 USD 0.10/時間、トークン単位で課金 | 60 以上、アラビア語あり | 独自のジョブ型 API で OpenAI 非互換。リアルタイムは約 USD 0.12/時間 |
| Whisper のセルフホスト | 自前の GPU コスト | Whisper と同じ | MIT ライセンス。運用とスケールは自分で行う |
| [BroadNet Transcribe](https://broadrouter.com/ja/models/cohere-transcribe/) | $0.002/分 | 14 | Whisper ではない。Cohere Transcribe がベース |
| [BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) | $0.0042/分 | アラビア語 | BroadNet によると Open Universal Arabic ASR Leaderboard で 37 件中 2 位（2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位） |

料金と Groq の数値は 2026-11-14 に公式ページで確認し、OpenAI の数値は 2026-11-15 に再確認しました。OpenAI の `gpt-transcribe` は、1 時間あたりで BroadNet の 2 モデルのどちらよりも高額です。Groq の Turbo エンドポイントと Soniox は、どちらも 1 時間あたりで BroadNet Transcribe（1 時間 $0.12）より安価です。Soniox は OpenAI のリクエスト形式を使わないため、新しいクライアントコードが必要です。Groq の WER は同社が公表している数値で、他のモデルと共通のテストセットで測ったものではないため、BroadNet の数値と直接比べないでください。この記事は乗り換えについてです。DeepSeek、AssemblyAI、Deepgram、Google、AWS、Speechmatics を含む完全な料金表とオプション料金は[音声認識 API の料金比較](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)を参照してください。[音声認識コスト計算ツール](https://broadrouter.com/tools/speech-to-text-cost-calculator/)では、自分の月間時間数で料金を計算できます。

## 精度の数字は実際に何を意味するのか？

BroadNet は[モデルカタログ](https://www.broadnet.ai/inference/models)で、BroadNet Transcribe Arabic の WER を 3 つ公表しています。

| テストセット | 音声の種類 | WER |
| --- | --- | --- |
| FLEURS-ar | きれいな読み上げ文 | 3.8 |
| MASC-ar | 実環境の混在したアラビア語 | 21.1 |
| BroadNet 方言セット | 方言の発話 | 23.4 |

同じ MASC と方言のセットで、BroadNet は Whisper large-v3 を 31.5 と 31.8、自社のアラビア語モデルを 21.1 と 23.4 と報告しています。誤りは MASC でおよそ 3 分の 1、方言のセットでおよそ 4 分の 1 少ないことになります。これは BroadNet 自身による競合のテストなので、自分の音声で確かめてください。全エントリーに同じテストセットを使う公開の [Open Universal Arabic ASR Leaderboard](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard) では、2026 年 11 月 15 日時点で Whisper large-v3 が 39 中 19 位（平均 WER 36.86）、BroadNet が提供するモデルである Cohere Transcribe Arabic 07-2026 が 4 位（24.19）でした。

教訓はこの幅にあります。同じモデルが、読み上げ音声ではほぼ完璧なのに、会話では大きく精度が落ちます。どのプロバイダーの看板の WER も、他人の音声での結果にすぎません。方言については[アラビア語方言の音声認識](https://broadrouter.com/ja/blog/arabic-dialect-speech-recognition/)で詳しく扱っています。

## Whisper の代替を半日でテストする方法

1.  \*\*言語ごとに 30〜50 本の音声を集めます。\*\*通話、ボイスメモ、会議など、実際のトラフィックから取ります。共有できない内容は除いてください。
2.  **言語ごとに 10 本分の正解の文字起こしを手で書きます。**
3.  \*\*同じ音声で両方の API を実行します。\*\*OpenAI 互換のプロバイダーなら、変わるのはクライアントとモデルだけです。

```python
import os
from openai import OpenAI

whisper = OpenAI()  # uses OPENAI_API_KEY
broadnet = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def run(client, model, path, lang):
    with open(path, "rb") as f:
        return client.audio.transcriptions.create(model=model, file=f, language=lang).text

hyp_a = run(whisper, "whisper-1", "clip01.wav", "ar")   # also try "gpt-transcribe", OpenAI's replacement
hyp_b = run(broadnet, "broadnet/cohere-transcribe-arabic", "clip01.wav", "ar")
```

4.  **両方に同じ正規化を適用して採点します。**[jiwer](https://github.com/jitsi/jiwer) を使います。

```python
import re, jiwer

def norm(t):
    t = re.sub(r"[ً-ْ]", "", t)              # strip Arabic diacritics
    t = re.sub(r"[إأآ]", "ا", t).replace("ى", "ي")      # unify alef and yaa
    return re.sub(r"[^\w\s]", "", t).lower().strip()

print(jiwer.wer(norm(reference), norm(hyp_a)), jiwer.wer(norm(reference), norm(hyp_b)))
```

5.  \*\*文字起こしを 20 本、自分で読みます。\*\*数字、名前、製品用語を確認してください。WER で勝っても、口座番号を間違えるモデルはあります。

## 代わりに Whisper をセルフホストすべきなのはいつか？

Whisper のコードと重みは MIT ライセンスなので、自分で動かすことはいつでも選択肢になります。次のような場合には理にかなっています。

-   **音声をネットワークの外に出せない**、法律上または契約上の理由がある。
-   **利用量が多く、GPU が 1 日の大半稼働する**ので、遊んでいる時間に払わずに済む。
-   **自社の語彙やアクセントでファインチューニングが必要**。

トラフィックの波が大きい場合、複数台にまたがる高可用性が必要な場合、チームの誰も GPU ドライバーやアップグレードを担当したがらない場合には、見た目以上にコストがかかります（[GPU の損益分岐点の計算](https://broadrouter.com/ja/blog/self-hosting-llm-vs-api-cost/)）。openai/whisper の README には、turbo モデルは翻訳向けに学習されていないとも書かれています。ホスト型 API はこうした問題を 1 分あたりの料金に変えてくれます。だからこそ多くのチームはホスト型から始め、利用量と要件がはっきりしてからセルフホストに移ります。

## 移行チェックリスト

[ベース URL](https://broadrouter.com/ja/glossary/base-url/) の変更は簡単な部分です。トラフィックを切り替える前に、次を確認してください。

-   \*\*形式。\*\*OpenAI は flac、mp3、mp4、m4a、ogg、wav、webm を受け付けます。BroadNet は WAV と MP3 を受け付けるので、`.ogg` と `.m4a` は先に ffmpeg で変換してください。ブラウザでの録音については[ブラウザで録音して音声認識 API に送る方法](https://broadrouter.com/ja/blog/record-browser-audio-transcription-api/)を参照してください。
-   \*\*ファイルサイズ。\*\*OpenAI のアップロード上限は 25 MB、BroadNet は 26,214,400 バイト（25 MiB）です。
-   \*\*言語フィールド。\*\*必ず送ってください。BroadNet では、`language=ar` なしのアラビア語はラテン文字で返ってくることがあります。
-   **オプションのパラメーター。**`prompt`、`verbose_json`、単語タイムスタンプに依存しているなら、代替サービスが対応しているか確認してください。BroadNet のドキュメントに記載されているのは、`text` を含む JSON レスポンスです。
-   \*\*レート制限。\*\*BroadNet の従量課金キーは毎分 30 リクエスト、同時 4 リクエストまでです。

このリストの汎用版は [OpenAI 互換 API 移行チェックリスト](https://broadrouter.com/ja/blog/openai-compatible-api-migration-checklist/)にあります。

## BroadNet Transcribe が向いているケース

アラビア語の精度が重要な場合、音声と文字起こしを保持させたくない場合（[ゼロデータ保持](https://broadrouter.com/ja/privacy/)）、あるいは 14 言語で 1 分 $0.002 が今の請求より安い場合は、BroadNet を選んでください。$5 の初回クレジットでアラビア語音声を約 1,190 分処理でき、上のテストを実行するには十分です。[BroadNet Inference でキーを取得](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-whisper-api-alternative&utm_content=body)してください。[アラビア語音声認識ガイド](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)に curl と Python の例があります。

BroadNet が対応していない多くの言語のいずれか、音声翻訳、ライブ文字起こし、あるいはプロンプトやキーワードヒント（OpenAI のガイドでは `gpt-transcribe` 向けに記載）が必要なら、OpenAI の後継モデルか別のプロバイダーを使い続けてください。アラビア語の録音ファイルを英語に翻訳するなら、2 段階のパイプラインも使えます。[アラビア語音声を英語に翻訳する](https://broadrouter.com/ja/blog/translate-arabic-audio-to-english/)を参照してください。英語を最安で処理するなら、ホスト型の Whisper Turbo エンドポイントのほうが 1 時間あたり安くなります。

関連する無料ツール（英語）

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

[音声認識（Speech-to-Text）](https://broadrouter.com/ja/glossary/speech-to-text/)

音声認識（Speech-to-Text）とは、話し言葉の音声を文字に変換する技術で、自動音声認識（ASR）とも呼ばれます。API は音声ファイルやストリームから文字起こしを返し、通常は音声 1 分単位で課金されます。精度は単語誤り率で測り、訛り、方言、録音品質で変わります。

[単語誤り率（WER、word error rate）](https://broadrouter.com/ja/glossary/word-error-rate/)

単語誤り率（WER）とは、音声認識の標準的な精度指標です。書き起こしを正しい参照テキストに直すのに必要な単語の置換・削除・挿入の数を、参照テキストの単語数で割って求めます。値が低いほど良好です。

[OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/)

OpenAI 互換 API とは、POST /v1/chat/completions など OpenAI API と同じリクエスト形式とレスポンス形式を受け付ける HTTP API です。OpenAI の SDK やツールは、ベース URL、API キー、モデル名を変えるだけで利用できます。

[モデルの非推奨化（model deprecation）](https://broadrouter.com/ja/glossary/model-deprecation/)

モデルの非推奨化とは、API プロバイダーがモデルの提供終了を告知することで、通常は廃止（retirement や shutdown）の日付と推奨される後継モデルが示されます。その日を過ぎるとリクエストは失敗するため、アプリは事前に別のモデル ID へ移行する必要があります。

[レート制限（rate limit）](https://broadrouter.com/ja/glossary/rate-limit/)

レート制限とは、1 分あたりのリクエスト数やトークン数など、一定時間内にクライアントが API を使える量に API 側が設ける上限です。上限を超えたリクエストは、使用量が下回るまで通常 HTTP 429 Too Many Requests で拒否されます。

[WAV](https://broadrouter.com/ja/glossary/wav/)

WAV（Waveform Audio File Format、WAVE とも）とは、Microsoft と IBM の RIFF 形式をベースにした音声コンテナです。通常は非圧縮のリニア PCM サンプルを格納するため、サイズは予測できます。1 秒あたりのバイト数は、サンプリングレート × サンプルあたりのバイト数 × チャンネル数です。

[タイムスタンプ（音声認識、timestamps）](https://broadrouter.com/ja/glossary/timestamps-asr/)

音声認識のタイムスタンプとは、文字起こしの各部分に付く開始・終了時刻（秒）です。セグメント単位は句や文を、単語単位は各単語を対象にします。字幕、録音内の検索、テキストと話者の対応付けに必要です。

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

## よくある質問

### OpenAI Whisper API のいちばん良い代替は何ですか？

自分の音声で単語誤り率がもっとも低く、許容できる料金のものです。アラビア語なら、アラビア語の方言向けに作られたモデルを試してください。英語を最安で処理するなら、ホスト型の Whisper Large v3 Turbo エンドポイントにはなかなか勝てません。

### もっと安い Whisper API はありますか？

あります。OpenAI は whisper-1 を 1 分 USD 0.006（非推奨）、後継の gpt-transcribe を USD 0.0045 としています。Groq は Whisper Large v3 を 1 時間 USD 0.111、Large v3 Turbo を 1 時間 USD 0.04 としており、BroadNet Transcribe は 1 分 $0.002 です。

### Whisper の代替でも OpenAI SDK をそのまま使えますか？

OpenAI 互換のプロバイダーなら使えます。base\_url、API キー、モデル ID を変更してください。prompt、response\_format、タイムスタンプなど、どのオプションのパラメーターに対応しているかは確認が必要です。

### Whisper はアラビア語に向いていますか？

Whisper は現代標準アラビア語を、話し言葉の方言よりはるかにうまく処理します。OpenAI も精度は言語によって異なるとしています。決める前に、自分の録音で方言ごとに単語誤り率を計測してください。

### 代わりに Whisper をセルフホストすべきですか？

音声をネットワークの外に出せない場合や、GPU を常に稼働させられるだけの量がある場合は、セルフホストが理にかなっています。Whisper のコードと重みは MIT ライセンスです。そうでなければ、遊んでいる GPU よりホスト型 API のほうがたいてい安くなります。

## 続けて読む

-   [25 MB を超える長い音声の文字起こし：分割・送信・結合](https://broadrouter.com/ja/blog/transcribe-long-audio-files-api/)
-   [音声認識 API の料金比較：2026 年の 1 分あたりの価格](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)
-   [アラビア語の音声認識 API：2026 年の選び方](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)
-   [アラビア語方言の音声認識：湾岸、エジプト、レバント、マグリブ](https://broadrouter.com/ja/blog/arabic-dialect-speech-recognition/)
-   [OpenAI 互換 API への移行チェックリスト](https://broadrouter.com/ja/blog/openai-compatible-api-migration-checklist/)
-   [ブラウザで録音して音声認識 API に送る方法](https://broadrouter.com/ja/blog/record-browser-audio-transcription-api/)
-   [アラビア語の音声を API で英語テキストに翻訳する：検証済みのパイプライン](https://broadrouter.com/ja/blog/translate-arabic-audio-to-english/)
-   [Artificial Analysis の代替サイト：2026 年に LLM を比較できる場所](https://broadrouter.com/ja/blog/artificial-analysis-alternatives/)
-   [LLM API の SLA 比較：Azure、Bedrock、Google、OpenAI は何を約束しているか](https://broadrouter.com/ja/blog/llm-api-sla-uptime-compared/)
-   [ガイド：アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)
-   [ガイド：OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-whisper-api-alternative&utm_content=page-cta) ·

**出典**

-   [BroadNet Transcribe Arabic モデルページ：Whisper large-v3、ElevenLabs Scribe v2 との WER 比較（2026-11-15 取得）（英語）](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)
-   [Open Universal Arabic ASR Leaderboard のライブ表（2026-11-15 取得）](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [OpenAI 音声認識ガイド（対応言語、ファイル制限、推奨モデル。2026-11-15 取得）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI API 料金：文字起こし（2026-11-15 取得）](https://developers.openai.com/api/docs/pricing)
-   [OpenAI 非推奨の告知：音声認識モデル（2026-11-15 取得）](https://developers.openai.com/api/docs/deprecations)
-   [GitHub の openai/whisper（MIT ライセンス、モデルサイズ）](https://github.com/openai/whisper)
-   [Soniox の料金と対応言語（2026-11-14 取得）](https://soniox.com/pricing)
-   [Groq 音声認識ドキュメント：Whisper の料金と公表 WER（2026-11-14 取得）](https://console.groq.com/docs/speech-to-text)
-   [BroadNet モデルカタログ：音声認識（ラボでの測定値）（英語）](https://www.broadnet.ai/inference/models)
-   [jiwer：WER を計算する Python パッケージ](https://github.com/jitsi/jiwer)
