---
title: "14 言語対応の多言語 音声認識・文字起こし API | BroadRouter"
description: "英語、スペイン語、フランス語、中国語、アラビア語など 14 言語を、1 分単位で課金される 1 つの OpenAI 互換エンドポイントで文字起こし。アラビア語専用モデルを使うべき場面も解説します。"
url: https://broadrouter.com/ja/blog/multilingual-speech-to-text-api/
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/multilingual-speech-to-text-api/)（2026-11-16 更新）。

# 多言語の音声認識 API：14 言語を 1 つのエンドポイントで

BroadNet Inference チーム · 約 6 分で読めます · 公開日 2026-11-14 · 更新日 2026-11-16

BroadNet Transcribe は英語、スペイン語、フランス語、ドイツ語、中国語、日本語、アラビア語を含む 14 言語の音声認識モデルで、OpenAI 互換の /v1/audio/transcriptions エンドポイントで提供されます。料金は音声 1 分あたり $0.002（1 時間 $0.12）です。主にアラビア語の音声には、専用の BroadNet Transcribe Arabic（1 分 $0.0042）があります。

## 要点

-   BroadNet Transcribe は 14 言語に対応しています：en、es、fr、de、it、pt、el、nl、pl、zh、ja、ko、vi、ar。
-   料金：音声 1 分あたり $0.002、音声 1 時間あたり $0.12。
-   すべてのリクエストで言語コードを送ってください。自動判定に頼らないでください。
-   アラビア語の音声が主なワークロードなら BroadNet Transcribe Arabic（1 時間 $0.25）を選んでください。BroadNet はこのモデルのアラビア語の精度を公開しています。
-   制限は両モデル共通：WAV または MP3、1 ファイル最大 26,214,400 バイト、音声も文字起こし結果も保持しません。

**このページの内容**

1.  BroadNet Transcribe はどの言語に対応していますか？
2.  多言語の文字起こしにはいくらかかりますか？
3.  文字起こしエンドポイントはどう呼び出しますか？
4.  なぜ毎回言語を送るべきなのですか？
5.  制限と対応フォーマットは？
6.  アラビア語専用モデルを選ぶべきなのはどんなときですか？
7.  言語ごとの精度はどうテストしますか？
8.  どんなワークロードに向いていますか？
9.  文字起こしの後には何をしますか？
10.  ほかの文字起こし API から移行するには？

_[image: The words English, Español, Français, Deutsch, 日本語, 한국어, 中文, Tiếng Việt and العربية, with the text "Many languages. One connection."]_

音声を扱うプロダクトの多くは、複数の言語を相手にしています。グローバルなサポート窓口、各国のオフィスの会議録音、多言語都市のボイスメモの受信箱などです。言語ごとに音声認識ベンダーを使い分けると、保守の手間がかかります。BroadNet Transcribe は 14 言語を 1 つの OpenAI 互換エンドポイントにまとめ、音声 1 分単位で課金します。さらに、アラビア語中心のワークロード向けに専用モデルも用意しています。

## BroadNet Transcribe はどの言語に対応していますか？

言語の一覧は、BroadNet が公開している [pricing.json](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-multilingual-speech-to-text-api&utm_content=body) に ISO 639-1 コードで掲載されています。

| コード | 言語 | コード | 言語 |
| --- | --- | --- | --- |
| en | 英語 | nl | オランダ語 |
| es | スペイン語 | pl | ポーランド語 |
| fr | フランス語 | zh | 中国語 |
| de | ドイツ語 | ja | 日本語 |
| it | イタリア語 | ko | 韓国語 |
| pt | ポルトガル語 | vi | ベトナム語 |
| el | ギリシャ語 | ar | アラビア語 |

[BroadNet Transcribe](https://broadrouter.com/ja/models/cohere-transcribe/) は Cohere Transcribe をベースにしたモデルで、BroadNet が提供しています。モデル ID は `broadnet/cohere-transcribe` です。

全体像を知りたい場合は、公開中の[音声認識 API 価格インデックス](https://broadrouter.com/data/speech-to-text-api-prices/)で、20 以上のプロダクトのバッチ料金とストリーミング料金、課金単位、アラビア語対応を確認できます。いずれも各プロバイダーの料金ページと照合済みです（CSV と JSON あり）。

## 多言語の文字起こしにはいくらかかりますか？

| モデル | 1 分あたり | 1 時間あたり | 言語 |
| --- | --- | --- | --- |
| [BroadNet Transcribe](https://broadrouter.com/ja/models/cohere-transcribe/) | $0.002 | $0.12 | 14 |
| [BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) | $0.0042 | $0.25 | アラビア語 |

課金は音声の分数単位で、リクエスト単位やトークン単位ではありません。どちらのモデルも無料の $5 の初回クレジットで使えるので、チャージする前に自分の録音で試せます。すべての料金は[料金ページ](https://broadrouter.com/ja/pricing/)で確認できます。毎月の時間数からの見積もりは[音声認識コスト計算ツール](https://broadrouter.com/tools/speech-to-text-cost-calculator/)で、他社との比較は[音声認識 API の料金比較](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)でどうぞ。

## 文字起こしエンドポイントはどう呼び出しますか？

エンドポイントは OpenAI の音声文字起こしと同じ形式なので、公式 SDK はベース URL を変えるだけで使えます。

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

with open("meeting-fr.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="broadnet/cohere-transcribe",
        file=audio,
        language="fr",
    )
print(result.text)
```

curl の場合：

```bash
curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe \
  -F language=es \
  -F file=@llamada.wav
```

レスポンスは JSON で、文字起こし結果は `text` に入ります。BroadNet のドキュメントに記載されているレスポンスはテキストそのものです。単語ごとのタイムスタンプや話者ラベルが必要なら、それを前提に設計する前に、現在何がサポートされているかを [API リファレンス](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-multilingual-speech-to-text-api&utm_content=body)で確認してください。

## なぜ毎回言語を送るべきなのですか？

BroadNet のドキュメントには、すべての文字起こしリクエストで `language` を送るよう明記されています。送らないと、アラビア語がラテン文字に音写されて返ってくることがあり、モデルが取り違えうる言語なら同じリスクがあります。事前に言語が分からない場合は次のようにします。

1.  \*\*まずメタデータを使う。\*\*発信者の国、ユーザーのアプリの言語、電話番号の国番号は、たいてい正しい手がかりです。
2.  **音声プロダクトならユーザーに尋ねる**（「英語は 1 を、アラビア語は 2 を押してください」）。
3.  \*\*短いサンプルで試す。\*\*最も可能性の高い言語で最初の 30 秒を文字起こしし、テキストがおかしければ（文字体系が違う、意味をなさない）次の候補で再試行します。

## 制限と対応フォーマットは？

-   \*\*フォーマット：\*\*WAV（`audio/wav`）または MP3（`audio/mpeg`）。.ogg、.m4a、.webm や動画ファイルは、先に ffmpeg で変換してください。[WhatsApp ボイスメモのガイド](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)に 1 行のコマンドがあります。
-   \*\*サイズ：\*\*1 ファイル最大 26,214,400 バイト（25 MiB）。超えると 413 が返ります。16 kHz モノラルの WAV で約 13 分、64 kbit/s の MP3 なら約 54 分に相当します。長い音声は `ffmpeg -f segment -segment_time 600` で分割してください。
-   \*\*レート：\*\*従量課金のキーでは 1 分あたり 30 リクエスト、同時 4 リクエストまでです。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。
-   \*\*プライバシー：\*\*音声と文字起こし結果はリクエストの処理に使われるだけで、保持されません。[ゼロデータ保持](https://broadrouter.com/ja/privacy/)を参照してください。

チャンク分割とワーカープールを使った本番向けのバッチパイプラインは、[アラビア語コールセンター録音の大規模な文字起こし](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)で紹介しています。同じ設計は 14 言語のどれにも使えます。

## アラビア語専用モデルを選ぶべきなのはどんなときですか？

BroadNet が 2 つのモデルを用意しているのは、アラビア語の音声認識がほとんどの言語より難しいからです。1 つの書き言葉の標準の下に多くの方言があり、英語やフランス語とのコードスイッチングが頻繁で、電話品質の音声も多くあります。BroadNet Transcribe Arabic は専用の選択肢で、BroadNet がアラビア語の精度を公開しているのもこのモデルだけです。

-   BroadNet の報告では、[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） に位置し、API での提供がライセンス上認められているモデルの中では 1 位です。
-   BroadNet のラボでの単語誤り率は、FLEURS-ar で 3.8、MASC-ar で 21.1、自社の方言セットで 23.4 です（低いほど良い）。[これらの数値の意味](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/)。

BroadNet は 14 言語モデルのアラビア語の数値を公開していませんが、公開リーダーボードにはあります。2026 年 11 月 15 日時点で、BroadNet Transcribe のベースである Cohere Transcribe 03-2026 は 39 モデル中 8 位、平均 WER 30.67 で、アラビア語モデルは 39 件中 4 位、24.19 でした。ほかの言語については、BroadNet の[モデルページ](https://www.broadnet.ai/inference/models/cohere-transcribe)によると、BroadNet Transcribe は FLEURS の英語で単語誤り率 5.5、FLEURS のスペイン語で 3.2、英語音声では 1 ストリームで実時間の約 113 倍（バッチ処理で 217 倍）の速度です。シンプルな選び方は次のとおりです。

| 音声の内容 | 選ぶモデル |
| --- | --- |
| 主にアラビア語（方言を問わず） | BroadNet Transcribe Arabic |
| アラビア語のファイルは少数で、精度はそれほど重要ではない | すべて BroadNet Transcribe、または両方をテスト |
| ファイルごとに言語が分かっている混在ポートフォリオ | アラビア語のファイルはアラビア語モデル、それ以外は BroadNet Transcribe |
| ほかの 13 言語のいずれか | BroadNet Transcribe |

両モデルはエンドポイントもリクエスト形式も同じなので、言語によるルーティングは 1 行の変更で済みます。

```python
def stt_model(lang: str) -> str:
    return "broadnet/cohere-transcribe-arabic" if lang == "ar" else "broadnet/cohere-transcribe"
```

アラビア語モデルの 1 分あたりの料金は約 2 倍です。量が多いなら、実際のアラビア語音声を数時間分使って両方をテストし、方言ごとに単語誤り率を比べてください。[アラビア語音声認識 API 購入ガイド](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)に 1 時間のテスト計画があります。雑音の多いアラビア語音声で数値、日付、名前が問題になる場合は、BroadNet の[モデルページ](https://broadrouter.com/ja/models/)に要相談のアラビア語ファインチューニングモデルも掲載されています。

## 言語ごとの精度はどうテストしますか？

ベンダーが示す 1 つの精度の数値は、言語、アクセント、録音条件による大きな違いを隠してしまいます。ワークロードを任せる前に、言語ごとに小さなテストを行ってください。

1.  \*\*言語ごとに実際のクリップを 20〜50 本集める。\*\*電話、会議の録音、ボイスメモ、動画など、実際に文字起こしするチャネルから集め、最も難しいアクセントも含めます。
2.  \*\*一部について正解の書き起こしを手作業で作る。\*\*数値、名前、英語の外来語の表記ルールを決めておきます。
3.  \*\*正しい `language` コードで文字起こしし、\*\*言語ごとに[単語誤り率](https://broadrouter.com/ja/glossary/word-error-rate/)を計算します。単語の間にスペースを入れない中国語と日本語では、代わりに文字誤り率を使います。
4.  \*\*誤りを読む。\*\*商品名、金額、住所は、つなぎ言葉よりずっと重要です。
5.  \*\*アラビア語が含まれるなら、両モデルで同じことを行い、\*\*方言ごとに比較します。

1 分あたりの料金が低いので、$5 の初回クレジットで、BroadNet Transcribe を使ったこのようなテストを複数の言語で行えます。

## どんなワークロードに向いていますか？

| ワークロード | メモ |
| --- | --- |
| 多言語のサポート窓口 | IVR の言語選択でルーティングし、対応する `language` コードを送る |
| 拠点が分散したチームの議事録 | 録音ごとに文字起こしし、LLM で要約 |
| ボイスメモの受信箱 | 先に .ogg を WAV に変換。WhatsApp のガイドを参照 |
| メディアやポッドキャストのアーカイブ | 長いファイルを 25 MiB 未満に分割し、夜間にバッチ処理 |
| 語学学習アプリ | 学習者の発話を文字起こしし、LLM でフィードバック |

どの場合も、コストは音声の分数だけに比例します。BroadNet Transcribe なら、言語にかかわらず音声 1 時間あたり $0.12 です。

## 文字起こしの後には何をしますか？

文字起こし結果がそのまま最終成果物になることはまれです。同じ API キーでよく行う次のステップは以下のとおりです。

-   [DeepSeek V4.1 Flash](https://broadrouter.com/ja/models/deepseek-v4.1-flash/) で会議の**要約とアクションアイテム**を作成。1,048,576 トークンのコンテキストに非常に長い文字起こしも収まります。
-   文字起こし結果を 1 つの作業言語に**翻訳**。[LLM によるアラビア語–英語翻訳](https://broadrouter.com/ja/blog/arabic-english-translation-llm/)を参照してください。
-   構造化された JSON 出力で、サポート通話の**品質スコアリング**。

## ほかの文字起こし API から移行するには？

OpenAI 形式の文字起こしエンドポイントをすでに呼び出しているなら（OpenAI が 2027 年 2 月 26 日に終了予定としている Whisper API を含みます。[乗り換え前にテストすべきこと](https://broadrouter.com/ja/blog/whisper-api-alternative/)）、移行は通常 3 か所の変更で済みます。ベース URL、API キー、モデル ID です。加えて、`language` を送っていることを確認してください。コードが `text` 以外に読んでいるレスポンスのフィールドも確認しましょう。残りは [OpenAI 互換 API 移行チェックリスト](https://broadrouter.com/ja/blog/openai-compatible-api-migration-checklist/)にまとめています。

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。

[OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/)

OpenAI 互換 API とは、POST /v1/chat/completions など OpenAI API と同じリクエスト形式とレスポンス形式を受け付ける HTTP API です。OpenAI の SDK やツールは、ベース URL、API キー、モデル名を変えるだけで利用できます。

[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。

[Ogg Opus](https://broadrouter.com/ja/glossary/ogg-opus/)

Ogg Opus とは、Opus コーデック（RFC 6716）で符号化し、Ogg コンテナ（RFC 7845）に格納した音声です。低ビットレートでの音声や双方向の音声向けに設計されており、WhatsApp がボイスメッセージに使う形式で、通常は .ogg または .opus ファイルです。

[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。

[API キー（API key）](https://broadrouter.com/ja/glossary/api-key/)

API キーとは、API を呼び出すクライアントを識別し、認可するための秘密の文字列です。LLM API では通常 Authorization: Bearer ヘッダーで送り、キーを持つ人は誰でも、そのキーの所有アカウントに課金されるリクエストを送れます。

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

## よくある質問

### BroadNet Transcribe はどの言語に対応していますか？

14 言語です。英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、ギリシャ語、オランダ語、ポーランド語、中国語、日本語、韓国語、ベトナム語、アラビア語。一覧は pricing.json に ISO 639-1 コードで公開されています。

### 1 つのファイルに 2 つの言語が含まれていても大丈夫ですか？

1 リクエストで指定できる言語コードは 1 つです。途中で言語が切り替わる音声は、主な言語で文字起こしして、もう一方の言語がどう出力されるかを確認してください。切り替わりが長い場合は、話者や区間ごとに音声を分割します。

### 多言語モデルはアラビア語にも十分使えますか？

アラビア語にも対応しており、1 分あたりの料金も安くなります。ただし BroadNet がアラビア語の精度を公開しているのは BroadNet Transcribe Arabic だけです。アラビア語の割合が大きいなら、自分の録音で両方をテストして単語誤り率を比べてください。

### OpenAI SDK で使えますか？

はい。SDK の接続先を BroadNet のベース URL に変え、モデル ID、ファイル、言語を指定して audio.transcriptions.create を呼び出します。

## 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/)
-   [アラビア語の音声認識 API：2026 年の選び方](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)
-   [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/)
-   [コールセンターの通話録音を文字起こしする：アラビア語対応のパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)
-   [OpenAI 互換 API への移行チェックリスト](https://broadrouter.com/ja/blog/openai-compatible-api-migration-checklist/)
-   [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-multilingual-speech-to-text-api&utm_content=page-cta) ·

**出典**

-   [BroadNet Transcribe モデルページ：FLEURS の英語・スペイン語 WER、スループット（2026-11-15 取得）（英語）](https://www.broadnet.ai/inference/models/cohere-transcribe)
-   [Open Universal Arabic ASR Leaderboard、最新の表（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（2026-11-16 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-multilingual-speech-to-text-api&utm_content=sources)
-   [BroadNet Inference の機械可読な価格と言語一覧（pricing.json、2026-11-16 確認）（英語）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-multilingual-speech-to-text-api&utm_content=sources)
-   [BroadNet モデルカタログ、音声認識（2026-11-16 確認）（英語）](https://www.broadnet.ai/inference/models)
-   [ISO 639 言語コード（米国議会図書館、2026-11-16 確認）](https://www.loc.gov/standards/iso639-2/php/code_list.php)
