要約 / ポイント
- Scribe v2はElevenLabsのバッチ文字起こしモデルで、Scribe v2 Realtimeは約150msでライブ音声を処理します。
- API料金：全プラン共通で、Scribe v2は音声1時間あたり0.22ドル、Realtimeは0.39ドルです。
- 機能：90以上の言語対応、最大32人の話者ラベル、単語単位のタイムスタンプ、Keytermプロンプト、音声イベントタグ。
- 最大3GB、10時間までのファイルに対応。MP3、WAV、M4A、MP4、MOVなど多くの形式が利用可能です。
- ウェブアプリ内での文字起こしは、プランのクレジットから1分あたり330クレジットを消費します。
要約: ElevenLabs は、Scribeモデルを使用してオーディオやビデオをテキストに変換します。Scribe v2は、MP3を含むアップロードされたファイルを90以上の言語で処理し、最大32人の話者を識別して単語単位のタイムスタンプを追加します。API経由の料金はオーディオ1時間あたり0.22ドル（Scribe v2 Realtimeは0.39ドル）で、ウェブアプリではプランから1分あたり330クレジットを消費します。ファイルは最大3GB、10時間まで対応しています。
調査方法: 機能、制限、価格は、2026年11月1日にelevenlabs.ioで確認されたElevenLabsのspeech to textページ、API料金ページ、およびspeech to textドキュメントに基づいています。当社独自の精度テストは実施していません。一部のリンクはアフィリエイトリンクであり、登録された場合、お客様に追加費用なしでElevenLabsから手数料が支払われることがあります。
Scribeモデルについて
| Model | Use | API price per audio hour | Notes |
|---|---|---|---|
| Scribe v2 | Batch transcription of files | $0.22 | 90+ languages, diarization, timestamps, keyterms, entity detection |
| Scribe v2 Realtime | Live audio, agents, meetings | $0.39 | About 150ms latency, word-level timestamps, voice activity detection |
| Scribe v2 Medical | Clinical audio | $0.22 | HIPAA-eligible with BAAs and Zero Retention Mode |
アドオンも時間単位で課金されます。キータームプロンプトはScribe v2で1時間あたり0.05ドル、Realtimeで0.08ドルかかります。自然言語指示によるトランスクリプト編集は、それぞれ0.07ドルと0.12ドルです。無音部分も課金対象時間にカウントされるため、アップロード前に長い空白をカットするとコストを節約できます。
注意すべき不整合点：ElevenLabsのspeech-to-textページのFAQには、Scribeは「1時間あたり0.40ドルから」と記載されていますが、API料金表とそのFAQには0.22ドルと記載されています。本記事では料金表の数値を採用していますが、大規模な案件の予算を組む前にライブページを確認してください。
Scribe v2でできること
- 90以上の言語に対応し、スマートな言語検出機能を備えています。
- 話者分離（ダイアライゼーション）により最大32人まで識別可能なため、インタビューや会議の内容を話者別にラベル付けできます。
- キャプションや字幕用の単語単位のタイムスタンプ。
- 最大1,000語またはフレーズまでのキータームプロンプト。名前、製品名、専門用語に役立ちます。
- 笑い声や足音などの非音声イベントを記録するダイナミックオーディオタグ付け。
- APIを通じた機密情報のエンティティ検出および墨消し（リダクション）。
- 最大5チャンネルまで対応し、各チャンネルに話者を割り当てるマルチチャンネルモード。
- 長いファイルを非同期で処理するためのWebhook。
MP3やビデオをテキストに変換する方法
- アプリの場合: ElevenLabs にサインインし、「Transcription (speech to text)」を開いてMP3、WAV、MP4などのファイルをアップロードします。言語を選択するか自動検出のままにし、トランスクリプトをダウンロードするか字幕をエクスポートします。
- API経由の場合: APIキーを作成し、
model_idをscribe_v2に設定してSpeech to Textエンドポイントにファイルを送信します。レスポンスには、テキスト、検出された言語、タイムスタンプ付きの単語、および各単語の話者IDが含まれます。
対応しているオーディオ形式は、AAC、AIFF、OGG、MP3、OPUS、WAV、FLAC、M4A、WebMです。ビデオ形式は、MP4、AVI、MKV、MOV、WMV、FLV、WebM、MPEG、3GPPです。
制限事項
| Limit | Value |
|---|---|
| Max file size | 3GB |
| Max duration (standard mode) | 10 hours |
| Speakers labelled | Up to 32 |
| Multichannel | Up to 5 channels |
| Keyterms | Up to 1,000 |
| Concurrent transcriptions | 8 Free, 12 Starter, 20 Creator, 40 Pro, 60 Scale and Business |
各プランに含まれる文字起こし時間
| Plan | Price | In the app (330 credits a minute) | Through the API (Scribe v2) |
|---|---|---|---|
| Free | $0 | 12 minutes (as listed) | about 4.5 hours |
| Starter | $6 | about 1 hour 31 minutes | 27 hours |
| Creator | $22 | about 6 hours 7 minutes | 100 hours |
| Pro | $99 | about 30 hours 18 minutes | 450 hours |
| Scale | $299 | about 90 hours | 1,359 hours |
| Business | $990 | about 303 hours | 4,500 hours |
2つの列の間には大きな差があります。APIの文字起こし料金は1時間あたり0.22ドルですが、アプリでは音声合成と同じクレジットを消費します。大量に文字起こしを行う場合、API（またはそれを基盤としたツール）を呼び出す方が、1ドルあたりの処理時間がはるかに長くなります。アプリの場合、クレジットはテキスト読み上げにも使用されるため、文字起こしを多用するとボイスオーバー用のクレジットが減ってしまいます。
精度：ElevenLabsおよび他社の見解
ElevenLabsは、Scribe v2の文字起こし精度が98%を超えると主張しており、OpenAI、Google、Deepgramのモデルと比較したグラフを公開しています。また、言語ごとの予想単語誤り率（WER）も公開しており、最高精度の言語では5%以下、最も精度の低い言語では20%から50%となっています。独立したレビュアーはより慎重な見方をしており、DiscoverAIは、精度は話者、ノイズ、専門用語に依存すると指摘し、自身の音声データでベンチマークを行うことを推奨しています。Telenowは、Scribeはクラウド専用であり、セルフホストやエアギャップ環境でのオプションがないことに言及しています。
この記事が気に入ったら、毎朝同じようなものをメールで受け取れます。
1日1通 · 2クリックで解除 · サードパーティのトラッキングなし
適しているユーザー
- ボイスオーバーと同じツールでキャプションや文字起こしを行いたいポッドキャスターや動画クリエイター。
- リアルタイムの文字起こしが必要なボイスエージェントや会議ツールを構築する開発者。
- 多言語の文字起こしが必要なチーム、またはMedicalモデルとBAAを使用して臨床音声を扱うチーム。
録音データを文字起こしテキストの編集を通じて編集したい場合は、そのワークフローに特化したDescriptが適しています。それ以外の用途であれば、ScribeのFreeプランで試してから検討することをお勧めします。
よくある質問
ElevenLabsはMP3をテキストに変換できますか？
はい。ScribeはMP3に加え、AAC、AIFF、OGG、OPUS、WAV、FLAC、M4A、WebMの音声ファイル、およびMP4、MOV、MKV、AVIなどの動画ファイルに対応しています。ウェブアプリからアップロードするか、Speech to Text APIにファイルを送信してください。
ElevenLabsのSpeech to Textの料金はいくらですか？
API経由の場合、Scribe v2は音声1時間あたり0.22ドル、Scribe v2 Realtimeは0.39ドルです。Keytermプロンプトを追加すると1時間あたり0.05ドル（Realtimeは0.08ドル）が加算されます。ウェブアプリ内での文字起こしは、プランのクレジットから1分あたり330クレジットを消費します。
ElevenLabsのSpeech to Textは無料ですか？
Freeプランには一定の文字起こしが含まれています。Speech to Textのページにはアプリ内で月間12分まで、API料金ページにはFreeプランのAPI利用で約4.5時間分のScribe v2利用が含まれると記載されています。Freeプランの出力結果を商用利用することはできません。
ElevenLabs Scribeは話者を識別できますか？
はい。Scribe v2は最大32人の話者を識別（話者分離）し、単語単位のタイムスタンプを返します。マルチチャンネルモードでは、最大5チャンネルまで音声チャンネルごとに話者を割り当てることも可能です。
ElevenLabs Scribeは何言語に対応していますか？
ElevenLabsは90以上の言語に対応しているとしており、予想される誤り率ごとにグループ化されています。英語、スペイン語、フランス語、ドイツ語、日本語、イタリア語、ポルトガル語は、最高精度のティア（単語誤り率5%以下）に含まれています。
ElevenLabsの文字起こしにおける最大ファイルサイズはどれくらいですか？
ElevenLabsのドキュメントによると、1ファイルあたり3GBまで、標準モードで最大10時間の音声まで対応しています。