BroadRouter

アラビア語の音声認識 API:2026 年の選び方

BroadNet Inference チーム · 約 7 分で読めます · 公開日 · 更新日

アラビア語の音声認識 API は、自社の録音でテストして選びます。対象の方言で単語誤り率を測り、音声 1 時間あたりの料金、ファイル制限、データ保持を比べます。BroadNet Transcribe Arabic は音声 1 時間 $0.25(1 分 $0.0042)で、2026年11月15日 の Open Universal Arabic ASR Leaderboard で 39 件中 4 位 でした。

アラビア語の音声認識 API を選ぶには、方言ごとに自社のクリップ 30〜50 本を各候補で文字起こしし、方言ごとの単語誤り率を比べたうえで、音声 1 時間あたりの料金、ファイル制限、ストリーミングの要否、データ保持を比較します。ベンチマークで優秀に見えるモデルでも、自社のコールセンター音声ではうまくいかないことがあります。

アラビア語は音声認識にとって難しい言語です。1 つの書き言葉の標準の下に多くの話し言葉の方言があり、話者は文の途中で英語に切り替え、実際の音声の大半は電話とボイスメッセージです。

なぜ自社の音声での単語誤り率が最も重要なのですか?

単語誤り率(WER)は、モデルが誤った単語(置換、脱落、挿入)の割合です。低いほど良い結果です。公開されている数値は出発点にすぎません。

テストセット 内容 BroadNet Transcribe Arabic ElevenLabs Scribe v2 Whisper large-v3
FLEURS-ar クリアな読み上げ文 3.8 非公開 非公開
MASC-ar 実環境のさまざまなアラビア語音声 21.1 22.3 31.5
BroadNet 方言セット 湾岸、エジプト、レバントの話し言葉 23.4 25.6 31.8

これらは BroadNet のラボでの測定値で、同社のモデルカタログと Transcribe Arabic のページで公開されています。比較は BroadNet 自身が行ったものなので、ElevenLabs と Whisper の列は、独立した結果ではなく 1 社が競合を測ったテストとして扱ってください。BroadNet はまた、このモデルが Open Universal Arabic ASR Leaderboard で 37 件中 2 位(2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位) であり、ライセンス上 API で提供できるモデルの中では 1 位だと報告しています。2026 年 11 月 15 日時点で上位の 3 つは Jais-ASR、Sygma-ASR-Arabic(リーダーボードの説明では Cohere モデルにビームデコードを適用したもの)、Audar-ASR-V1-Turbo で、Whisper large-v3 は 19 位でした。各エントリのライセンスは確認していません。

登録前に、自分の声でモデルを試せます。BroadNet のブラウザ版プレイグラウンドでは、アカウントなしで最長 60 秒のアラビア語または英語の音声を文字起こしできます。プレイグラウンドの使い方を参照してください。

3.8 と 23.4 の差こそが教訓です。**同じモデルでも、読み上げ音声ではほぼ完璧で、方言の会話でははるかに弱くなることがあります。**自社の音声でテストしてください。

ベンダーの数値には全般に注意が必要です。公開されているアラビア語の WER の多くは、こちらからは見えない音声を使ったベンダー自身のテストによるものです。テストセット、正規化、評価ツールがすべて同じときにだけ、数値を比較できます。

全体像をつかむには、オープンな音声認識 API 料金インデックスが便利です。20 以上の製品について、バッチとストリーミングの料金、課金単位、アラビア語対応を、各プロバイダーの料金ページと照合して掲載しています(CSV と JSON あり)。

方言のカバー範囲はどう確認しますか?

テストファイルを方言ごとにまとめます。湾岸(ハリージー)、エジプト、レバント、イラク、マグレブ、そして現代標準アラビア語です。グループごとに個別に評価します。顧客の多くがリヤドにいるなら、平均よりも湾岸方言の WER のほうがはるかに重要です。

**コードスイッチング**に注意してください。湾岸のビジネス会話には、英語の製品名や数字が混ざります。数字、日付、名前がどう出力されるかを確認してください。後段のシステムが実際に処理に使うのはそれらの単語だからです。BroadNet は、雑音の多い音声の数字、日付、名前に強いファインチューニング済みのアラビア語モデルを要相談で提供しています。

アラビア語の文字起こしは音声 1 時間あたりいくらですか?

利用量は音声の時間で測るので、音声 1 時間あたりで比べます。

モデル 1 分あたり 1 時間あたり 1,000 時間
BroadNet Transcribe Arabic $0.0042 $0.25 $252.00
BroadNet Transcribe(14 言語) $0.002 $0.12 —
Soniox 非同期(ファイル)、60 以上の言語 約 USD 0.0017(換算値) 約 USD 0.10 約 USD 100
Soniox リアルタイム(ストリーミング) 約 USD 0.002(換算値) 約 USD 0.12 約 USD 120

Soniox の行は Soniox の料金ページに基づき、2026 年 11 月 14 日に確認しました。Soniox はトークン単位(1 時間あたり約 30,000 音声トークン)で課金し、1 時間あたりの数値は概算として示しています。

**1 時間あたりでは Soniox のほうが BroadNet より安価です。**ファイルの料金は BroadNet Transcribe Arabic の $0.25 の半分未満で、BroadNet Transcribe の $0.12 も下回ります。リアルタイムの料金は BroadNet Transcribe と同じで、アラビア語モデルよりは安く、そもそも BroadNet はリアルタイムのストリーミングをドキュメント化していません。Soniox は対応言語にアラビア語(ar)を記載し、全言語共通の料金を示しています。アラビア語専用の料金、アラビア語の WER、方言のカバー範囲は公開していないので、料金は明確でも精度はわかりません。料金で選ぶ前に、両方で同じ方言テストを実行してください。

サポート窓口の例では、30 秒の WhatsApp ボイスメッセージ 10,000 件の文字起こしは、アラビア語モデルで $21.00 です。計算式は 10,000 × 0.5 minutes × $0.0042 です。自社の量は音声認識コスト計算ツールで試算してください。

プロバイダーを比べるときは、単価だけでなく課金単位も確認してください。秒単位か分単位か、開始ブロック単位か、ファイルごとの最低料金があるかどうかです。課金の切り上げが目立つのは短いボイスメッセージです。他のプロバイダーの 1 分あたりの料金(各料金ページと照合済み)は音声認識 API の料金比較を、OpenAI のエンドポイントから移行する場合は Whisper API の代替のチェックリストを参照してください。安価な 14 言語モデルで十分な場面は、Transcribe と Transcribe Arabic の比較で説明しています。

アラビア語の音声認識 API に必要な機能は?

すべての製品にすべての機能が必要なわけではありません。比較する前に、どれが重要かを決めておきます。

機能 重要な理由 確認すること
バッチでのファイルアップロード ボイスメッセージ、録音、アーカイブ 形式と最大ファイルサイズ
リアルタイムのストリーミング ライブ字幕、音声エージェント レイテンシと、別製品かどうか
話者ラベル(話者ダイアライゼーション) オペレーターと顧客の通話 バッチのみか、ライブにも対応か
単語タイムスタンプ 字幕、検索、レビューツール 単語単位かセグメント単位か
コードスイッチング 英語の用語を含むアラビア語 1 リクエストにつき 1 言語が必要か
データ保持 通話には個人データが含まれる 音声やテキストを保持するか、期間はどのくらいか

BroadNet が現在ドキュメント化しているのは、OpenAI 互換の /v1/audio/transcriptions エンドポイントによるバッチ文字起こし、WAV または MP3 の入力、language フィールド、そしてゼロデータ保持です。このリストのそれ以外の機能を当てにする前に、API リファレンスを確認してください。

ファイル制限と形式は?

  • **ファイルサイズ。**BroadNet は 1 ファイル最大 26,214,400 バイト(25 MiB)の WAV または MP3 を受け付けます。それより大きいファイルは 413 が返るので、長い録音は分割してください。
  • 形式。.ogg のボイスメッセージや .m4a の録音は先に変換します。WhatsApp ボイスメッセージのガイドに ffmpeg のコマンドがあります。
  • language フィールド。language=ar を送ってください。送らないと、アラビア語がラテン文字に翻字されて返ってくることがあります。
  • **レート制限。**従量課金のキーでは、1 分あたり 30 リクエスト、同時に 4 件まで送れます。大量のバックログはファイルをキューに入れ、429 はバックオフして再試行してください。エラーと再試行を参照してください。

音声は保存されますか?

ボイスメッセージや通話には、名前、電話番号、健康や銀行の情報が含まれます。どのプロバイダーにも、音声と文字起こしを保持するか、どのくらいの期間保持するかを確認してください。BroadNet Inference はどちらも保持しません。ゼロデータ保持と、ZDR チェックリストを参照してください。

アラビア語の文字起こし API を半日でテストするには?

  1. 本番のチャネルから、方言ごとに実際のクリップを 30〜50 本集めます。共有できないものは除いてください。
  2. 方言ごとに 10 本のクリップについて、合意した 1 つの表記規則で、正しい文字起こしを手で書きます。
  3. 各候補 API ですべてのクリップを文字起こしします。BroadNet 用の curl と Python のコードはアラビア語のステップバイステップガイドにあります。
  4. 両方のテキストを同じ方法で正規化し、方言ごとに WER と CER を計算します。アラビア語の WER 解説に Python の正規化関数があり、この手順を省くと完璧な文字起こしが WER 75% になりうる理由も説明しています。
  5. 文字起こしを 20 件、自分で読みます。WER が低くても、数字や名前の誤りが隠れていることがあります。

クリップの選び方、参照テキストの書き方、方言グループごとの評価方法は、アラビア語方言の音声認識で詳しく扱っています。

よくある失敗

  • **クリアな音声だけでテストする。**実際の電話やボイスメッセージの録音を使ってください。
  • **WER の平均値を 1 つだけ見る。**良い平均値が、顧客の使う方言の弱さを隠すことがあります。
  • **language フィールドを省く。**翻字された出力は、ほぼすべてが誤りとして評価されます。
  • **数字を軽視する。**数字、日付、金額は手で確認してください。システムが処理に使うのはそれらです。

BroadNet Inference の位置づけ

BroadNet Transcribe Arabic は、アラビア語のボイスメッセージ、通話、録音を分単位の料金でバッチ文字起こしする用途に向いており、音声は保持されません。$5 の初回クレジットで約 1,190 分のアラビア語音声を処理できるので、カードなしで上記のテストを行えます。ライブのストリーミング字幕など、ドキュメント化されていない機能が必要なら、それを提供するプロバイダーをテストしてください。文字起こし後のアラビア語テキストの処理については、アラビア語向け LLM の選び方を参照してください。

よくある質問

アラビア語の単語誤り率はどのくらいなら良いのですか?

音声によります。BroadNet は、BroadNet Transcribe Arabic について、FLEURS-ar(クリアな読み上げ音声)で 3.8、MASC-ar で 21.1、自社の方言セットで 23.4 と報告しています。会話の方言音声は、読み上げ音声よりも常に難しくなります。

アラビア語の方言に最適な音声認識 API はどれですか?

結果は方言や録音品質によって変わるため、1 つの答えはありません。API を 2〜3 個に絞り、方言ごとに自社のクリップ 30〜50 本をそれぞれで文字起こしし、全体平均ではなく方言ごとの単語誤り率で比べてください。

アラビア語音声 1,000 時間の文字起こしにはいくらかかりますか?

音声 1 分あたり $0.0042 なので、BroadNet Transcribe Arabic で 1,000 時間なら $252.00 です。

BroadNet のアラビア語音声認識はライブストリーミングに対応していますか?

BroadNet がドキュメント化しているのは、/v1/audio/transcriptions による最大 25 MiB の WAV または MP3 ファイルのバッチ文字起こしです。ライブのストリーミング字幕はドキュメント化されていません。必要なら、たとえば Soniox はリアルタイム文字起こしを提供しており、対応言語にアラビア語が含まれています(2026 年 11 月 14 日確認)。

WhatsApp のボイスメッセージを文字起こしできますか?

はい。ffmpeg で .ogg ファイルを WAV または MP3 に変換すればできます。このサイトの WhatsApp ガイドで、1 行の変換コマンドを紹介しています。

音声は保存されますか?

いいえ。BroadNet Inference はリクエスト後に音声も文字起こしも保持しません。保持するのは、処理時間やコストなど内容を含まない記録だけです。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く