Mistral Voxtral Mini Transcribe 2（voxtral-mini-2602）は 2026 年 2 月 4 日に公開された文字起こし専用の音声モデルで、料金は 1 分あたり $0.003 です。

Voxtral Mini Transcribe Realtime は Mistral のオープンウェイトのリアルタイム音声認識モデル（Apache 2.0、約 4B、13 言語）で、2026 年 2 月 4 日公開、$0.006／分です。

Whisper large-v3 は OpenAI のオープンウェイトの音声認識・翻訳モデル。99言語対応、128メルビン、large-v2 よりエラーが10〜20%少ないと報告されています。

前世代のDeepgram音声認識モデル。再確認：公式文書はまずNova-3 / Flux。2026年の最速王座ではない。

BaoCut は Apple Silicon Mac 向けの動画ツールです。ローカル文字起こし、二言語字幕、翻訳音声、エージェントによる編集を組み合わせ、字幕から動画の書き出しまで扱えます。

論文の読解、学術文章の作成、データ分析、インタビューの文字起こしを支援するAI研究ワークスペース。無料と有料のプランを提供。

システム音声からライブ二言語字幕、会議記録、プッシュトーク通訳を作る Apache-2.0 の macOS アプリ。

fcitx5-vinput は GPL-3.0 の Fcitx5 音声入力アドオンで、ローカルまたはクラウド ASR と Linux 上の LLM 整形を行う。

プライバシー重視のローカルAI会議アシスタント。デバイス上で文字起こし・発話者分離・要約を行い、Ollama対応。データは端末外に出ません。

ビリビリのオープン多言語翻訳ファミリー。Qwen3.5 ベースで 150 言語テキスト、音声字幕、制御付き吹替、長文書翻訳を提供。

Orukeet は 25 言語の音声認識モデルで、NVIDIA Parakeet TDT 0.6B v3 上で適合した Gabor カーネルを凍結する。

Alibaba の Qwen-Audio-3.1 は ASR-Next と TTS-Next を追加。TTS は Artificial Analysis の音声合成ランキングで首位、API 価格は最大 95% 値下げ。

Tapestry の YouTube 文字起こしスキル。yt-dlp で字幕を取得し、字幕がなければローカルの Whisper で文字起こしし、重複を除いたプレーンテキストを出力します。