---
title: "アラビア語 音声認識・文字起こし API の選び方（2026） | BroadRouter"
description: "アラビア語の文字起こし API の選び方。単語誤り率、方言、ファイル制限、音声 1 時間あたりの料金、プライバシーと、自社の録音で試すテスト計画を解説します。"
url: https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/arabic-speech-to-text-api-buyers-guide/)（2026-11-15 更新）。

# 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 2026-11-14 · 更新日 2026-11-15

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。

## 要点

-   自社の音声での単語誤り率（WER）は、どのリーダーボードよりも重要です。低いほど良い結果です。
-   現代標準アラビア語は簡単なケースです。湾岸、エジプト、レバント、マグレブの話し言葉は個別にテストしてください。
-   評価の前にアラビア語テキストを正規化してください。そうしないと表記ゆれが誤りとして数えられます。
-   BroadNet Transcribe Arabic は音声 1 時間 $0.25、1,000 時間で $252.00 です。
-   必ず `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。
-   無料の $5 の初回クレジットで、テスト用に約 1,190 分のアラビア語音声を文字起こしできます。

**このページの内容**

1.  なぜ自社の音声での単語誤り率が最も重要なのですか？
2.  方言のカバー範囲はどう確認しますか？
3.  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？
4.  アラビア語の音声認識 API に必要な機能は？
5.  ファイル制限と形式は？
6.  音声は保存されますか？
7.  アラビア語の文字起こし API を半日でテストするには？
8.  よくある失敗
9.  BroadNet Inference の位置づけ

アラビア語の[音声認識](https://broadrouter.com/ja/glossary/speech-to-text/) 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）](https://broadrouter.com/ja/glossary/word-error-rate/)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](https://www.broadnet.ai/inference/models)と [Transcribe Arabic のページ](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)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](https://huggingface.co/spaces/elmresearchcenter/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](https://www.broadnet.ai/inference/playground)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](https://broadrouter.com/ja/guides/try-broadnet-inference-playground/)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](https://broadrouter.com/data/speech-to-text-api-prices/)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](https://broadrouter.com/ja/glossary/msa/)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](https://broadrouter.com/ja/glossary/code-switching/)\*\*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](https://broadrouter.com/ja/models/#on-request)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](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) | $0.0042 | $0.25 | $252.00 |
| [BroadNet Transcribe（14 言語）](https://broadrouter.com/ja/models/cohere-transcribe/) | $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](https://soniox.com/pricing)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](https://docs.soniox.com/stt/concepts/supported-languages)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](https://broadrouter.com/tools/speech-to-text-cost-calculator/)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](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)を、OpenAI のエンドポイントから移行する場合は [Whisper API の代替](https://broadrouter.com/ja/blog/whisper-api-alternative/)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](https://broadrouter.com/compare/cohere-transcribe-vs-cohere-transcribe-arabic/)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](https://broadrouter.com/ja/glossary/diarization/)） | 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](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-speech-to-text-api-buyers-guide&utm_content=body)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](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)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](https://broadrouter.com/ja/guides/errors-and-retries/)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](https://broadrouter.com/ja/privacy/)と、[ZDR チェックリスト](https://broadrouter.com/ja/blog/zero-data-retention-llm-api-checklist/)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](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)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](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/)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](https://broadrouter.com/ja/blog/arabic-dialect-speech-recognition/)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](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/)を参照してください。

関連する無料ツール（英語）

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

[音声認識（Speech-to-Text）](https://broadrouter.com/ja/glossary/speech-to-text/)

音声認識（Speech-to-Text）とは、話し言葉の音声を文字に変換する技術で、自動音声認識（ASR）とも呼ばれます。API は音声ファイルやストリームから文字起こしを返し、通常は音声 1 分単位で課金されます。精度は単語誤り率で測り、訛り、方言、録音品質で変わります。

[単語誤り率（WER、word error rate）](https://broadrouter.com/ja/glossary/word-error-rate/)

単語誤り率（WER）とは、音声認識の標準的な精度指標です。書き起こしを正しい参照テキストに直すのに必要な単語の置換・削除・挿入の数を、参照テキストの単語数で割って求めます。値が低いほど良好です。

[コードスイッチング（code-switching）](https://broadrouter.com/ja/glossary/code-switching/)

コードスイッチングとは、同じ会話や同じ文の中で、話し言葉でも書き言葉でも 2 つ以上の言語、あるいは 1 つの言語の複数の変種を使うことです。アラビア語話者が方言に英単語を混ぜたり、現代標準アラビア語と方言を行き来したりするのがその例です。

[現代標準アラビア語（MSA）](https://broadrouter.com/ja/glossary/msa/)

現代標準アラビア語（MSA）とは、アラブ世界全体で書き言葉、ニュース、教育、公式のスピーチに使われる標準化されたアラビア語です。誰の日常の母語でもなく、人々はエジプト方言や湾岸方言などの地域方言を話し、改まった場面で MSA に切り替えます。

[指数バックオフ（exponential backoff）](https://broadrouter.com/ja/glossary/exponential-backoff/)

指数バックオフ（exponential backoff）とは、失敗するたびに待ち時間を長くして再試行するリトライ戦略で、通常は上限まで遅延を 2 倍ずつ増やします。各待ち時間にランダムなジッターを加えると、多数のクライアントの再試行が分散し、同時にサーバーへ集中しなくなります。

[話者ダイアライゼーション（speaker diarization）](https://broadrouter.com/ja/glossary/diarization/)

話者ダイアライゼーションとは、録音を話者ごとの区間に分け、「誰がいつ話したか」に答えるタスクです。各発話区間に SPEAKER\_00 のような匿名の話者 ID を付け、たいていは文字起こしと組み合わせて、各行を誰が話したかを示します。

[WAV](https://broadrouter.com/ja/glossary/wav/)

WAV（Waveform Audio File Format、WAVE とも）とは、Microsoft と IBM の RIFF 形式をベースにした音声コンテナです。通常は非圧縮のリニア PCM サンプルを格納するため、サイズは予測できます。1 秒あたりのバイト数は、サンプリングレート × サンプルあたりのバイト数 × チャンネル数です。

[アラビア語の方言（dialectal Arabic）](https://broadrouter.com/ja/glossary/dialectal-arabic/)

アラビア語の方言とは、エジプト、湾岸、レバント、マグリブなど、地域や都市で日常的に話されるアラビア語です。音、語彙、文法が現代標準アラビア語と異なり、標準的な綴りがなく、ネットで書かれることも増え、言語モデルには扱いにくい対象です。

## 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。

## 続けて読む

-   [25 MB を超える長い音声の文字起こし：分割・送信・結合](https://broadrouter.com/ja/blog/transcribe-long-audio-files-api/)
-   [アラビア語音声認識の単語誤り率（WER）をわかりやすく解説](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/)
-   [アラビア語方言の音声認識：湾岸、エジプト、レバント、マグリブ](https://broadrouter.com/ja/blog/arabic-dialect-speech-recognition/)
-   [音声認識 API の料金比較：2026 年の 1 分あたりの価格](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)
-   [Whisper API の代替：乗り換えるべきタイミングとテスト方法](https://broadrouter.com/ja/blog/whisper-api-alternative/)
-   [アラビア語向け LLM API の選び方：何をテストすべきか](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/)
-   [LLM でアラビア語に母音記号を付ける：プロンプト、検証、DER](https://broadrouter.com/ja/blog/arabic-diacritization-llm/)
-   [LLM でアラビア語の文法・スペルを校正する方法](https://broadrouter.com/ja/blog/arabic-grammar-spelling-correction-llm/)
-   [ガイド：アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)
-   [ガイド：WhatsApp のボイスメッセージを API で文字起こしする](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)
-   [ガイド：BroadNet Inference のエラーコードとリトライすべき場合](https://broadrouter.com/ja/guides/errors-and-retries/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-speech-to-text-api-buyers-guide&utm_content=page-cta) ·

**出典**

-   [BroadNet Transcribe Arabic のモデルページ：ElevenLabs Scribe v2、Whisper large-v3 との WER 比較（2026-11-15 取得）（英語）](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)
-   [BroadNet モデルカタログ、音声認識：BroadNet が報告する WER とリーダーボード順位（2026-11-14 取得）（英語）](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard、Hugging Face Space（2026-11-15 取得）](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [BroadNet Inference API リファレンス：文字起こしの形式、26,214,400 バイトの上限、413、language フィールド（2026-11-14 取得）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-speech-to-text-api-buyers-guide&utm_content=sources)
-   [BroadNet Inference の機械可読な料金、pricing.json（2026-11-14 取得）（英語）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-speech-to-text-api-buyers-guide&utm_content=sources)
-   [Soniox の料金：非同期は約 0.10 USD／時間、リアルタイムは約 0.12 USD／時間、トークン単位の課金（2026-11-14 確認）](https://soniox.com/pricing)
-   [Soniox ドキュメント、対応言語：60 言語の中にアラビア語（ar）を記載（2026-11-14 確認）](https://docs.soniox.com/stt/concepts/supported-languages)
-   [jiwer、ASR の誤り率を計算する Python パッケージ（2026-11-14 取得）](https://github.com/jitsi/jiwer)
