BroadRouter
始める

テキスト、音声、画像のどれを使う?まずタスクから考える

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

入力と出力から考えます。テキストを入れてテキストを得るならチャット。写真やスキャンを入れてテキストを得るなら、画像を受け付けるモデルでの画像付きチャット。録音を入れてテキストを得るなら文字起こし、音声から回答を得るなら文字起こしの後にチャットです。BroadNet は音声合成、画像生成、埋め込みを提供していません。

「どのモデルを使うべきか」は 2 番目の問いです。最初の問いは「何を入れて、何を出す必要があるか」です。請求書の写真、顧客からのボイスメッセージ、入力された質問は、それぞれ別の種類のエンドポイントに送られ、エンドポイントごとにモデル、制限、失敗の仕方が違います。先にタスクを決めれば、モデルの候補は 2〜3 個に絞られます。

このガイドでは、よくあるタスクを入力の種類に対応づけ、さらに BroadNet Inference がそれぞれについて文書化している内容に対応づけます。BroadRouter は BroadNet 自身のサイトです。以下のモデル情報は BroadNet の価格フィードと API リファレンスに基づき、2026 年 11 月 15 日に確認したものです。

タスクにはどの入力の種類が必要ですか?

タスク 入力 出力 エンドポイント BroadNet のモデル
テキストへの回答、要約、分類、翻訳 テキスト テキスト Chat completions 4 つのチャットモデルのいずれか
自分の関数やツールを呼び出す テキスト ツール呼び出し Chat completions GLM 5.3、Qwen3.8 27B(記載あり)
写真、スキャン、スクリーンショット、帳票を読む 画像 + テキスト テキストまたは JSON 画像付きの chat completions DeepSeek V4.1 Flash、Qwen3.8 27B、Gemma 4 VL 26B
録音やボイスメッセージをテキストにする 音声ファイル テキスト 音声の文字起こし Transcribe Arabic、Transcribe(14 言語)
通話を要約する、ボイスメッセージに回答する 音声ファイル テキスト 文字起こしの後にチャット それぞれ 1 つずつ
回答を読み上げる テキスト 音声 音声合成 提供なし
リアルタイムで音声会話する 音声ストリーム 音声 リアルタイム音声 提供なし
画像を作る テキスト 画像 画像生成 提供なし
文書をセマンティック検索する テキスト ベクトル 埋め込み 提供なし

この表の「画像」は画像理解、つまり送った画像をモデルが読むことを意味し、画像の生成ではありません。違いは用語集のビジョン言語モデルの項で説明しています。

チャットと文字起こしの違いは何ですか?

両者はリクエストの形、課金単位、モデルがそれぞれ異なる別のエンドポイントです。

チャット(POST /v1/chat/completions)は JSON のメッセージ一覧を受け取り、テキストを返します。課金はトークン単位で、入力と出力は別料金です。各モデルには、プロンプトと回答をまとめて収めるコンテキストウィンドウがあります。BroadNet では 4 つのチャットモデルのうち 3 つが回答前に推論(reasoning)し、その推論が max_tokens に含まれるので、余裕を残してください(推論トークンと空の回答)。

文字起こし(POST /v1/audio/transcriptions)は音声ファイルをマルチパートのアップロードで受け取り、文字起こし結果を返します。課金は音声の分単位です。BroadNet のドキュメントは、形式を 1 ファイルあたり最大 26,214,400 バイトの WAV または MP3 と定め、language を必ず送るよう述べています。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るからです。

モデル 言語 価格
BroadNet Transcribe Arabic アラビア語:BroadNet によれば湾岸、エジプト、レバント、マグレブの各方言と現代標準アラビア語 1 分あたり $0.0042(1 時間あたり約 $0.25)
BroadNet Transcribe 英語、スペイン語、フランス語、中国語(普通話)、アラビア語を含む 14 言語 1 分あたり $0.002(1 時間あたり約 $0.12)

BroadNet のチャットモデルは音声を受け取らず、文字起こしモデルは質問に答えません。テキストで返答する音声アシスタントは、文字起こしとチャットの 2 回の呼び出しです。録音からアラビア語の議事録を作るは、まさにそのチェーンを構築しています。

どのモデルが画像を受け付けますか?

フィードの modalities に image があるモデルです。2026 年 11 月 15 日時点:

モデル 入力 コンテキスト 100 万トークンあたり入力 / 出力 利用条件
DeepSeek V4.1 Flash テキスト、画像 1,048,576 $0.175 / $0.52 チャージが必要
Qwen3.8 27B テキスト、画像 262,144 $0.175 / $2.17 チャージが必要
Gemma 4 VL 26B テキスト、画像 32,768 $0.10 / $0.22 $5 の初回クレジット
GLM 5.3 テキストのみ 1,048,576 $0.78 / $3.46 チャージが必要

画像はメッセージの content の中に data: URL として、正確な MIME タイプとともに送ります。BroadNet のドキュメントによると、ビジョンは “only where the model row explicitly says images or vision”(訳:モデルの行に images または vision と明記されている場合のみ)提供されます。受け付ける画像形式はドキュメントに載っていないので、受け付けるつもりの形式はそれぞれテストしてください。従量課金のキーでは画像は入力トークンとして課金され、大きいほど多く使います。送る前に縮小し、画像トークン計算ツールで見積もってください。書類からの抽出を通して扱った記事はビジョン LLM で書類からデータを抽出するです。

コードで入力ごとに振り分けるには?

この関数は、ファイルの種類からエンドポイントを選び、送信前に文書化された制限を確認し、画像対応モデルの一覧をハードコードせずに稼働中のフィードから読み込みます。ベース URL を変えるだけで BroadNet で使える OpenAI Python SDK を使っています(セットアップガイド)。

import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")

BROADNET_BASE_URL をローカルのモックサーバーに向け(実際の API 呼び出しはなし)、稼働中の価格フィードを使ってテストしました。テキスト、WAV ファイル、後続タスク付きの WAV ファイル、PNG は、それぞれ正しいモックのエンドポイントに届きました。chat_model="broadnet/glm-5.3" で PNG を送ると、リクエストを送る前に拒否され、フィードにある画像対応の 3 つの ID が表示されました。.ogg ファイルは、変換用の ffmpeg コマンドとともに拒否されました。その手順は WhatsApp のボイスメッセージを文字起こしするで扱っています。サイズ上限を超える録音は分割が必要で、音声分割ツールが ffmpeg コマンドを組み立てます。

書類がすでにテキストなら?

その場合は画像を送らないでください。会計システムやワープロから書き出した PDF には、たいていテキスト層があります。PDF ライブラリで抽出し、テキストをチャットモデルに送ります。従量課金のキーでは画像より安く、読み違いを避けられ、GLM 5.3 でも使えます。ビジョンは、スキャン、スマートフォンの写真、手書き、印影、スクリーンショットなど、抽出できるテキスト層がないものに取っておきます。

書類パイプラインで役立つルール:まずテキスト抽出を試し、本物のテキストが返ったか(空のページや文字化けでないか)を確認し、だめな場合にだけ画像にフォールバックします。アラビア語の PDF では、信頼する前に抽出したテキストを一部読んでください。PDF の作られ方によっては、アラビア文字が誤った順序や、連結されていない表示形(presentation forms)で抽出されることがあります。画像のほうがよい情報源になるケースはビジョン LLM によるアラビア語 OCR で扱っています。

コストはどう比べますか?

入力の種類ごとに課金単位が違うので、リクエスト単位ではなくタスク単位で比べます。

  • テキストは入力トークンと出力トークンで課金されます。同じ内容でもアラビア語は英語より多くのトークンを必要とすることが多く、アラビア語トークンカウンターで測れます。
  • 画像は従量課金ではモデルの入力価格による入力トークンなので、大きな写真は 1 ページ分のテキストより高くつくことがあります。DeepSeek のセッションプランでは、画像は定額料金に含まれます。
  • 音声は話した内容にかかわらず、音声の分単位で課金されます。BroadNet で 30 秒のアラビア語ボイスメッセージ 10,000 件をアラビア語モデルで処理すると約 $21.00 です。ほかの量は音声認識コスト計算ツールで計算できます。

チェーンは各部分の合計です。チャットモデルが回答するボイスメッセージなら、文字起こしの分数に、文字起こし結果と回答のチャットトークンを足した額になります。チャット側は LLM API コスト計算ツールで扱えます。

提供されていないものは何で、代わりにどうすべきですか?

BroadNet の API リファレンスに記載された推論エンドポイントは、chat completions と音声の文字起こしの 2 つです。したがって、次のものはありません。

  • 音声合成(TTS)。 /v1/audio/speech はありません。製品が音声で返答する必要があるなら、BroadNet の文字起こしとチャットに別の TTS サービスを組み合わせてください。
  • リアルタイム音声。 文字起こしが受け取るのはアップロードされたファイルで、リアルタイムの音声ストリームではありません。通話中に応答しなければならない電話エージェントには、別の場所でリアルタイム音声のスタックが必要です。ファイルベースの代替案はブラウザーで音声を録音して文字起こしするにあります。
  • 画像生成。 ここでのビジョンは画像を読むもので、作るものではありません。
  • 埋め込み。 /v1/embeddings はありません。検索には、他のプロバイダーまたはセルフホストの埋め込みモデルが必要です。価格は埋め込みコスト計算ツールで比較できます。

BroadNet の研究カタログには、音声合成、画像生成、埋め込みのモデルが、同社のラボでベンチマーク済みとして載っています。これは BroadNet が何をテストしたかの記録であって、API で何を販売しているかではありません。違いはモデルカタログの読み方で説明しています。

なぜ入力ごとに別々の評価セットが必要なのですか?

入力の種類ごとに失敗の仕方が違い、まとめて平均すると失敗が隠れてしまうからです。

  • テキスト: 実際のユーザーメッセージで採点し、可能な箇所はコードでチェックします。方法は乗り換え前の LLM 評価にあります。
  • 画像: 実際の品質の実際の写真を使います。斜めに撮ったスマートフォンの写真、色あせたレシート、文字にかかった印影などです。項目ごとに別々に採点します。きれいな PDF のレンダリング画像は、ユーザーが実際に送ってくる写真よりはるかに高いスコアになります。
  • 音声: 自分の録音で単語誤り率(WER)を方言、話者、回線品質ごとに分けて測り、重要な語(名前、数字、金額)は別にチェックします。アラビア語 ASR の WER 解説を参照してください。
  • チェーン: 音声をチャットモデルにつなぐ場合は、両方のステップと最終結果を採点します。聞き間違えた数字は自信満々の誤答になり、それがどれくらいの頻度かはエンドツーエンドのテストでしかわかりません。

セットは分けて保管してバージョン管理し、モデルやプロンプトを変えるたびに該当するものを再実行してください。

BroadNet Inference の位置づけ

BroadNet Inference は、1 つのキーと 1 つのベース URL でタスク表の最初の 5 行をカバーします。テキストチャット、GLM 5.3 と Qwen3.8 27B でのツール呼び出し、3 つのモデルでの画像理解、そしてアラビア語または多言語の文字起こしです。Gemma 4 VL 26B と 2 つの文字起こしモデルは $5 の初回クレジットで動き、DeepSeek、GLM、Qwen にはチャージが必要です。推論の内容は保持されません。必要なアカウント、課金、セキュリティのメタデータは、BroadNet のプライバシー声明に記載のとおり保持されます。読み上げ、画像生成、リアルタイム音声、埋め込みには別のサービスを使ってください。上記すべての価格は料金ページにあります。

よくある質問

画像を扱うにはどの AI モデルを使えばよいですか?

使う API で画像入力を受け付けるモデルです。BroadNet Inference の価格フィードによると、DeepSeek V4.1 Flash、Qwen3.8 27B、Gemma 4 VL 26B がそれにあたり、GLM 5.3 はテキストのみです。画像はチャットメッセージの中に data URL として送ります。

チャットモデルで音声を文字起こしできますか?

BroadNet Inference ではできません。音声は文字起こしモデルとともに文字起こしエンドポイント /v1/audio/transcriptions に送ります。その後で要約や回答が必要なら、2 つ目のステップとして文字起こし結果をチャットモデルに送ります。

BroadNet Inference は音声合成や画像生成を提供していますか?

いいえ。API リファレンスに記載されているのは chat completions と音声の文字起こしだけです。音声合成や画像生成のモデルは BroadNet の研究カタログにベンチマーク済みとして載っていますが、それは提供されていることとは違います。

BroadNet が受け付ける音声形式は?

WAV(audio/wav)または MP3(audio/mpeg)で、1 ファイルあたり最大 26,214,400 バイトです。WhatsApp の .ogg ボイスメッセージなど他の形式は先に ffmpeg で変換し、language パラメーターは必ず送ってください。

画像はどう課金されますか?

従量課金のキーでは、BroadNet は画像をモデルの入力価格で入力トークンとして課金し、画像が大きいほど多くのトークンを使います。DeepSeek のセッションプランでは、画像は定額料金に含まれます。

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