【2026年版】文字起こし業者8選を料金・納期で比較|AI・自社構築との使い分けも

見積もりを3社から取りました、と言われて資料を開いたら、3社とも人手の反訳業者でした。

収録したインタビューが20本、1本あたり60分。放送に載せる素材ではなく、社内で内容を確かめて構成を組むための文字起こしです。3社の単価は1分200円前後で横並びでした。総尺1,200分で、ざっと24万円。担当の方は、この中でいちばん安いところに決めようとしていました。

そこで一つ、まだ誰にも聞かれていない質問が残っています。その1,200分は、人が起こさないといけない素材でしょうか。

手段は三つあり、比べる順番が入れ替わりやすい

文字起こしを手当てする方法は、大きく三つに分かれます。人手の反訳業者へ外注する、AIの文字起こしサービスをそのまま使う、音声認識のAPIを呼んで自社でパイプラインを組む。この三つです。

相見積もりというのは、三つのうちどれを採るかが決まったあとの作業です。ところが実際の順番は逆になりがちで、まず業者に相談し、金額を見て高いと感じ、そこで初めてAIという単語が会議に出てきます。入り口が逆なので、比べているつもりの3社は、全部同じ手段の中の3社になります。

順番を戻すために要るのは、三つが何を売っているのかを分けて見ることです。人手の業者が売っているのは、読める日本語になった原稿と、それが指定した日に届くという約束。AIサービスが売っているのは、音声が文字に置き換わった状態。APIが売っているのは、その置き換えの部品だけです。値段が違って当たり前で、そもそも届くものが違います。

冒頭の1,200分は、社内で構成を組むための素材でした。読める原稿という約束まで買う必要が、はたしてあったのかどうか。

人手に頼むとき、料金は何で決まるか

人手の業者の料金は、たいてい1分いくらで決まります。2026年9月時点で公開されている料金表を並べると、専門業者の相場は1分あたり200円から300円のあたりに集まっています。60分の素材なら1万2千円から1万8千円という桁です。

この単価を動かす要素が三つあります。

一つめは、仕上げのレベルです。料金表には「素起こし」「ケバ取り」「整文」という三つの呼び名が並びます。素起こしは言い間違いも「えー」もそのまま文字にしたもの、ケバ取りはその言い淀みを落としたもの、整文は読んで意味が通る文章まで整えたものです。文字起こし専門comが公開している料金表では、素起こしとケバ取りが1分200円、整文だけが1分300円と5割高く設定されています。冒頭の20本のように社内で読むだけなら、ここは素起こしで足ります。

二つめは、納期です。コエラボの料金表では、ケバ取りと素起こしが通常納期で1分200円、特急納期で350円、翌日納品で400円から、当日納品で500円からと上がっていきます。ゆったり納期を選べば179円です。同じ素材でも、いつ欲しいかで単価が3倍近く動きます。一方で特急料金を設けず、納期そのものを延ばして対応する業者もあり、料金表の組み立ては会社ごとに違います。

三つめは、内容と音源の条件です。医療や法律といった専門分野は割増になり、コエラボでは医療系が通常納期で1分350円です。音源が動画の場合に1分22円を加算する、といった条件も料金表に書かれています。テープリライトのように60分単位で基本料金を決めて15分刻みで加算し、録音時間が1時間増えるごとに納期を1営業日足す、という設計の会社もあります。

人手の見積もりは、尺と分単価の掛け算に、仕上げレベルと納期と素材条件が乗った形です。安くしたいときに削れるのは尺ではなく、たいていこの三つのほうになります。

料金表に載っていない差もあります。何回まで直しを受けるのか、話者名を発言ごとに入れるのか、タイムコードを何分おきに打つのか、指定のフォーマットに流し込むのか。この辺りが見積もりの備考欄に小さく書かれていて、後から追加料金になることがあります。1分いくらだけを横並びにすると、この列が抜け落ちます。

料金表を公開している8社を、1分あたりで並べる

三つの要素で単価が動くと分かっても、金額がどこからどこまで開くのかは、料金表を並べるまで見えません。公開料金をサイトに出している8社を、2026年9月時点の表記のまま並べます。税抜と税込が混ざっているので、各社が明記しているほうをそのまま書きます。

ウィズチーム(WITH TEAM 文字起こし)

今回並べた中でいちばん安い水準です。ケバ取りが1分96円から144円、素起こしが120円から160円、簡易整文が144円から192円。幅があるのは納期で、ゆったり・通常・特急の三段階で単価が変わります。動画字幕をSRT形式で作る対応があり、ISMS(ISO27001)を取得しています。

モジスキー(MTI Japan)

文字起こしが通常で1分100円、お急ぎで200円、特急で300円。字幕作成とYouTube字幕はそれぞれ200円・300円・400円で、文字起こしに1分100円を足した設計です。ただし受注は10分の音声データ3,000円からと書かれていて、単価をそのまま掛けた金額にはなりません。5分の素材を20本出すような頼み方をすると、効いてくるのは分単価ではなくこの最低金額のほうです。

文字起こし代行.com

納期だけで単価を刻んでいる例です。ゆっくり(中5日)が1分170円、通常(中3日)が200円、早め(中2日)が280円、お急ぎ(中1日)が340円、翌日が440円から、当日(6時間)が600円から。同じ原稿が、いつ欲しいかだけで3倍以上に動きます。プライバシーマーク、ISO27001、ISO9001を掲げています。

コエラボ(株式会社BOD)

納期の刻みがいちばん細かいのがここです。ケバ取りはゆったり納期が1分179円、通常が200円、特急が350円、翌日が400円から、当日が500円から(いずれも税抜)。素起こしと整文には翌日と当日の設定がありません。医療系は通常納期で税込330円、裁判法廷用は税込286円。動画字幕の作成は1分1,100円です。Pマークと ISO/IEC 27001 を取得しています。

スマートゲート

ケバ取りが1分180円から、素起こしが240円から、整文が280円から。60分で3営業日からの納期で、動画への字幕付けと多言語字幕にも対応します。Pマーク取得。

文字起こし専門com

素起こしとケバ取りが1分200円(税込220円)、整文が300円(税込330円)。特急料金を設けていないのが特徴で、納期で単価が動きません。録音時間の合計が15分未満なら15分として計算します。

東京反訳

基本料金8,000円に、日本語1分250円からを足す方式です。裁判法廷用は700円から、英語と多言語は429円から。納期は当日受付の超特急から中6日のゆとりまで5段階に分かれます。映像まわりは動画字幕作成サービスが別にあり、1本あたり基本料金6,000円に1分1,100円から。納品形式はmp4とSRTが追加費用なし、VTTが500円、capは要問い合わせで、放送側の形式にどこまで寄せられるかがここで見えます。Pマークと ISO27001。

テープリライト

分ではなく時間で刻みます。一般用・記録用が60分で20,000円(税込22,000円)、60分を超えると15分ごとに5,000円(税込5,500円)。医薬・学術用が60分25,000円、法廷提出用が60分32,000円。納期はいずれも4営業日後です。仕上げは自社基準の段階で示していて、一般用がケバ取りと整文、法廷提出用がケバ取りのみ。60分20,000円を分に直すと1分333円で、今回の8社ではいちばん高い水準になります。

8社を同じ物差しに直すと

単位が分・時間・本とばらばらなので、1分あたりに揃えて並べ直します。

いちばん安い96円といちばん高い333円のあいだに、3倍を超える開きがあります。これは品質の順位ではありません。ケバ取りだけを96円で受けるのと、整文まで済ませた原稿を4営業日で届けて333円とでは、届くものが違います。

並べてみて見えてくることが二つあります。一つは、単価を動かしている軸が会社ごとに違うことです。文字起こし代行.comは納期だけで6段階に刻み、文字起こし専門comは特急料金を置かずに仕上げだけで決めています。同じ「1分いくら」でも、見積もりを揃えるために指定すべき条件が相手ごとに変わります。

もう一つは、素起こしとケバ取りの上下が逆転する会社があることです。文字起こし専門comは二つを同額に置いていますが、スマートゲートでは素起こしのほうが60円高い。言い淀みをそのまま文字に落とすほうが手間だという考え方で、安く上げるつもりで素起こしを指定すると逆に高くつきます。

冒頭の1,200分に当てはめます。96円なら11万5,200円、333円なら39万9,600円。相見積もりで並んだ3社の200円前後は、この幅のちょうど真ん中でした。3社を比べて1社に決めた時点で、動かせる金額は幅の内側に収まっています。

AIで安くなる工程と、そのあとに残る工程

同じ素材をAIの文字起こしに通すと、金額の桁が変わります。音声認識APIの公開単価でいえば、2026年9月時点でOpenAIのgpt-4o-mini-transcribeが1分あたり0.003ドル、Whisperとgpt-4o-transcribeが0.006ドル。日本語に特化したAmiVoice APIは、汎用エンジンのログありプランで1時間あたり99円です。1,200分を通したときの原価は、人手なら20万円台だったものが、数百円から2千円ほどに収まります。

この差は値引きではありません。買っているものが違うだけです。

人手の業者に頼んだときに納品されるのは、校正まで済んだ原稿です。AIが返すのは、認識の結果そのものです。認識率の数字が何パーセントであっても、残りの数パーセントを誰がいつ直すかは、依然として決まっていません。工程が消えたのではなく、担い手が発注側へ移っただけだと考えると、後の見積もりがずれません。

安くなったのは、音声を文字に置き換える工程です。ここは実際にAIが肩代わりします。では、何が残るでしょうか。

固有名詞が残ります。番組名、出演者名、取引先の社名、地名、社内の略語。音声認識は聞こえた音を辞書の中でいちばん確からしい語に割り当てるので、辞書に無い固有名詞は別の語になります。20本の素材で同じ人名が毎回違う漢字に化けていれば、直すのは人です。

話者の区別も残ります。誰がどこで話しているかを機械的に切り分ける処理は話者分離と呼ばれ、対応するサービスとしないサービスがあります。対応していても、切り分けられた話者に名前を貼るのは別の作業です。

タイミングも残ります。文字起こしを字幕に使うなら、どの文字が何秒に出るかが要ります。単語や文字の単位でタイムスタンプを返すかどうかはモデルによって差があり、返さないものは後からタイミングを合わせ直す処理が必要になります。

そして納品形式が残ります。テキストのまま渡すのか、SRTファイルにするのか、放送の搬入形式まで要るのか。ここは求められる工程の量がまるで違います。文字起こしの先にどれだけの工程が積まれるかは、AI字幕生成の工程を追った記事のほうに書きました。

冒頭の1,200分に戻ると、社内で構成を組むための素材なので、残る工程のほとんどが要りません。固有名詞は読む側が文脈で補えますし、タイミングも納品形式も関係ない。この用途なら、AIに通して終わりで足ります。

残る工程ごと引き受ける選択肢

前の節で残った工程、つまり固有名詞と話者の区別とタイミングと納品形式は、人が手で埋めるか、機械側にもう一段寄せるかの二択になります。後者に当たる製品として、当社のものを挙げます。

Subtitle Generator(NAXA株式会社)

字幕の生成・編集・プレビュー・書き出しをブラウザひとつで扱う字幕制作プラットフォームです。音声認識は日本語に特化した独自エンジンを使い、その先の整形までを自動化しています。話者識別による色分け、難読語と常用漢字外を判定するルビの自動付与、画像解析でテロップ位置を避けるテロップ避け、文節を考慮した改行位置とページ分けと表示時間の最適化。前の節で「残る」と書いた工程が、そのままここに入っています。

納品形式も同じ理由でそろえてあります。放送送出向けのARIB STD-B36とNAB、配信向けのWebVTTとSRTとLambda Cap、編集向けのXMEML(Adobe Premiere Pro / Final Cut Pro 7 互換)、確認用のMP4焼き込みまで、ひとつの字幕データから用途別に書き分けます。入力側はMXFのSMPTE 436M VANCをそのまま読み込めます。提供はクラウドが標準で、放送前素材を外に出せない場合はオンプレミスとオフライン構成にも対応します。

ツールを自社で回す前提の話をしてきましたが、そこに人手を割けないこともあります。その場合は、字幕制作そのものを請け負う形でも相談を受けています。人手の8社に出すのと違うのは、整形と納品形式をこのパイプラインで通したうえで、人が確認する組み立てになる点です。放送の搬入形式まで指定がある素材ほど、差が出ます。

自社で組むとき、API単価に現れない費用

単価表だけを見ると、自社で組むのがいちばん安く見えます。1,200分で数百円という数字は魅力的です。ただ、その数字に入っていない費用があります。

整形の実装が入ります。APIが返すのはJSONか、句読点も改行も無い連続したテキストです。読める形への整形、話者ごとのまとまり、タイムコードの付与、出力形式への変換。ここを書くのは自社のエンジニアで、一度書いて終わりにもなりません。素材の種類が変わるたびに調整が要ります。

辞書の運用が入ります。固有名詞の誤りを減らす手段は単語登録ですが、これは一度きりの作業になりません。番組が変われば出演者が変わり、取引先の社名も入れ替わります。誰がこのリストを持ち、いつ更新するのかを決めておかないと、半年で誰も触らないファイルになります。

検収が入ります。出てきた原稿が使える品質かどうかを、誰かが見ます。人手の業者に頼めば相手の工程に含まれていたものが、自社パイプラインでは自社の工数になります。1本あたり10分見るとして、20本で3時間半。この時間は見積書のどこにも載りません。

保守が入ります。APIのモデルは更新され、旧モデルの提供は終わります。単価も改定されます。動かし続ける担当を置けない規模なら、パイプラインは資産よりも負債の側に寄っていきます。

自社で組む判断が効くのは、本数が継続して出ること、そして辞書や整形のルールが自社に固有であること。この二つが揃うときです。年に数回、20本ずつという使い方なら、実装した人が異動した時点で止まります。この判断そのものを外の開発会社に相談する段になったら、見るところは金額ではなく見積書の項目のほうに移ります。

素材の性質のほうが、答えを決めている

三つの手段には、どれが優れているという順位がありません。決めているのは素材のほうです。

尺と本数から見ます。総尺が数十分なら、どの手段でも金額の差は数万円に収まります。実装費のほうが高くつくので、自社パイプラインの検討は割に合いません。逆に月に数百時間出るなら、人手の分単価はそのまま固定費になります。

機密性を見ます。未公開の企画、出演交渉中の素材、取材源。人手の業者は秘密保持契約に応じ、作業者全員と契約を結んだうえで納品後に音源を削除する運用を明示している会社があり、ISMS認証を取っている会社もあります。AIサービスへ投げる場合は、素材が学習に使われるか、どこに保管されるか、保存期間はどれだけかを規約で確かめることになります。価格の比較表には出てこない項目です。

音源の受け渡し方も、機密性と一緒に効いてきます。ギガファイル便で送ってよい素材なのか、専用のストレージを指定されるのか。放送素材のように外へ出せないものであれば、そもそもクラウドを経由しない構成が要件になり、選べる手段が最初から絞られます。

納品形式の指定を見ます。相手から形式を指定されているなら、そこから逆算します。テキストでよいのか、字幕ファイルなのか、放送の搬入データなのか。指定が厳しいほど、後工程まで持っている手段が有利になります。

締切を見ます。明日の朝までに要るなら、人手の当日納品は1分500円からで、AIなら実行時間だけです。逆に2週間あるなら、ゆったり納期の割引が効きます。冒頭の20本は締切まで2週間あり、外にも出ない素材でした。

三つの手段を、同じ軸に並べる

ここまでの整理を一枚にすると、次のようになります。

この表にサービス名を並べていないのは、手段が決まって初めて、どの製品かという比較に意味が出るからです。人手の業者なら前に8社を並べました。AIのツールを選ぶ段階まで来ているなら、文字起こしAI・字幕制作サービス12種の比較のほうに、料金と対応形式と話者分離の有無をまとめてあります。

見積もりを取る前に、決まっていること

冒頭の20本に戻ります。社内で構成を組むための素材で、締切は2週間後、外には出ない内容。この条件を先に書き出してさえいれば、相見積もりを取る前に、比べるべき相手は業者どうしではないと分かったはずです。逆に、同じ20本が放送に載る字幕の元原稿で、来週の頭に搬入するとなれば、答えは反対側に振れます。

決めるために要ったのは四つでした。総尺と本数、外に出せるかどうか、納品形式の指定、締切。音声認識の知識は、この四つに一つも入っていません。

いま手元にある素材で、この四つを紙に書けるでしょうか。書き出したとき、残っている手段はたいてい一つか二つです。