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?
- 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。
- 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。
- 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。
- 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。
- 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。
