音声の文字起こしは 1 時間いくら？xAI と Mistral の API を比べる
xAI の文字起こしの API（Speech to Text）は、音声 1 時間あたり、バッチで 0.10 ドル、ストリーミングで 0.20 ドル[1]。
Mistral の Voxtral Mini Transcribe 2 は、音声 1 分あたり 0.003 ドルです[2]。1 時間にすると 0.18 ドルで、xAI のバッチの 1.8 倍、ストリーミングの 9 割にあたる[1,2]。
Mistral には、リアルタイムの文字起こし用に Voxtral Mini Transcribe Realtime という別のモデルもある[3]。Mini Transcribe 2 と同じ 2026 年 2 月 4 日に公開されました[3]。
文章を読み上げる API では、xAI の Text to Speech が 100 万文字あたり 15 ドル[1]。2026 年 3 月 23 日に公開された Mistral の Voxtral TTS は 100 万文字あたり 16 ドルで、xAI より 1 ドル高い[2,3]。
どちらの読み上げも、声の複製（ボイスクローン）に対応しています[3,4]。