音声エージェントを開発しているなら、文字起こしは最初のドミノです。ここでつまずけば、下流のすべての工程 — LLM、ロジック、音声合成 — がゴミを引き継ぎます。Google Speech-to-Text API は音声をテキストに変換する選択肢のなかでも最も実戦で鍛えられたものの一つですが、リファレンスドキュメントはコンプライアンス規定のような読み心地で、"レビュー"はどれも自社モデルを売りたい競合が書いたものです。
これはベンダーに中立な解説です。この API が実際に何をするのか、2026年にいくらかかるのか、動くコードをどう本番投入するのか、そして誰も教えてくれない部分 — リアルタイムの電話エージェントにとって、素の音声認識だけでは足りなくなる境界はどこか — を扱います。
Google Speech-to-Text API とは
Google Speech-to-Text（STT）は、Google の自動音声認識（ASR）モデルを使って音声をテキストに変換するクラウド API です。認識モードは3種類あり、どれを選ぶかがアーキテクチャ上で最大の判断になります。
- 同期 — 短い音声クリップ（60秒以下）を送信してブロックし、完全な文字起こしを1回のレスポンスで受け取ります。実装は最も簡単ですが、通話中のライブ処理には使えません。
- 非同期／バッチ（
LongRunningRecognize） — 長い音声（最長およそ480分）を Cloud Storage にアップロードし、結果をポーリングで取得します。通話録音のパイプライン、留守番電話、ポッドキャストの文字起こしに適しています。 - ストリーミング（
StreamingRecognize） — 双方向の gRPC ストリームで音声チャンクを送り込み、話者が話している最中に途中経過と確定の結果を受け取ります。リアルタイム音声エージェントの成否はこのモードにかかっています。
モデル面では、Chirp ファミリー（Google のユニバーサル音声モデル。v2 API では chirp と chirp_2）が、精度と多言語対応の観点で2026年の既定の選択肢です。旧来の latest_long / latest_short や電話向けにチューニングされたモデルも v1 に残っており、新しいモデルがまだ提供していない特定機能（一部の電話向け拡張など）が必要な場合には依然として重要です。モデルは必ず音声に合わせること：8kHz モノラルの電話音声を 16kHz のスタジオ音声向けにチューニングされたモデルに通すのは、自ら精度を損なう行為です。
2026年の Google STT API 料金
課金は処理した音声の分単位で、切り上げの単位で計上され、モデルや機能によって料金帯が異なります。すぐ古くなる数字を並べる代わりに、請求額をどう見積もるか、そして大規模運用でどこが効いてくるかを説明します。
契約前に必ず確認を： 見積もりは常に最新の Cloud Speech-to-Text 料金ページで行ってください。以下は2026年時点の課金の構造の説明であり、確定した見積もりではありません。
- 無料枠： Google は従来、月あたりの無料枠（おおむね60分程度）を提供してきました。プロトタイピングには十分ですが、運用にはまったく足りません。
- 標準モデル対拡張／プレミアムモデル： 新しいモデルや拡張モデルは、従来の標準認識より高い分単価で課金されます。Chirp クラスのモデルはプレミアム側に位置します。
- 機能は積み上がる： 話者ダイアライゼーション、単語単位の信頼度、一部のモデルオプションは、実効単価を変えたり処理を追加したりします。
- ログ提供による割引： データロギングに同意する（Google がモデル改善のために音声を利用することを許可する）と、従来は低い単価が適用されてきました。文字起こしデータを割引と引き換えにする前にデータガバナンス上の影響を確認してください。規制対象のワークロードでは、この取引はたいてい選択肢になりません。
大規模運用における隠れコストは、切り上げと常時接続のストリーミングです。 バッチ処理はリクエスト単位で切り上げられます。ストリーミングはストリームが開いている時間全体に課金されます — マイクを開いたままにすれば、エージェントが考えているあるいは話している間の無音も含まれます。同時通話が10,000件ある状況では、1ターンあたり数秒の無駄なストリーム時間が積み重なって実際の金額になります。発話の終わりでストリームを閉じること。通話中ずっと開いたままにしてはいけません。
クイックスタート：認証と音声の文字起こし
入り口は2通りあります。まず認証から。Google Cloud でサービスアカウントを作成し、Speech-to-Text のロールを付与して JSON キーをダウンロードし、GOOGLE_APPLICATION_CREDENTIALS をそのファイルに向けます。
よくある質問
Google Speech-to-Text API は何をするものですか？
音声をテキストに変換します。音声の種類に応じたモデルのバリエーションがあり、バッチ認識とストリーミング認識の両方に対応しています。
課金はどのような仕組みですか？
音声の長さに基づき、モデルと機能によって単価が異なります。ダイアライゼーションや拡張モデルなどの機能は基本単価より高く設定されているため、要約ではなく最新の料金ページを確認してください。
利用するには Google Cloud プロジェクトが必要ですか？
はい。認証は Google Cloud の認証情報を通じて行われるため、最初のリクエストの前にプロジェクトと請求先アカウントが必要です。
