---
title: "25 MB 超の音声を API で文字起こし：分割と結合 | BroadRouter"
description: "音声認識 API のファイルサイズ上限を超える録音を文字起こしする方法。ファイルを小さくし、ffmpeg で無音部分で分割し、チャンクを並列送信してテキストを結合します。"
url: https://broadrouter.com/ja/blog/transcribe-long-audio-files-api/
lang: ja
updated: 2026-11-15
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/transcribe-long-audio-files-api/)（2026-11-15 更新）。

# 25 MB を超える長い音声の文字起こし：分割・送信・結合

BroadNet Inference チーム · 約 6 分で読めます · 公開日 2026-11-15

多くの文字起こし API は、約 25 MB を超える 1 ファイルを受け付けません。まず録音を 16 kHz モノラルに変換すれば、それだけで BroadNet の上限 26,214,400 バイトに WAV で約 13 分、64 kbit/s の MP3 で約 54 分が収まります。それより長い音声は ffmpeg で無音部分で分割し、チャンクを並列で文字起こしして、順番どおりにテキストを結合します。

## 要点

-   上限は分数ではなくバイト数です。16 kHz モノラル WAV は 1 秒 32,000 バイトなので、26,214,400 バイトは約 13.6 分、64 kbit/s の MP3 なら約 54 分です。
-   分割は無音部分で時間単位で行い、バイト位置では絶対に切らないでください。バイトで切るとオーディオフレームが壊れ、単語の途中で切ると単語が失われます。
-   チャンクは上限よりかなり小さく、たとえば WAV で 10 分にしておけば、雑音の多いファイルでも 413 が返ることはありません。
-   チャンクはキーの上限まで並列で送ります。BroadNet の従量課金キーでは同時 4 リクエスト、1 分あたり 30 リクエストです。
-   分割しても、課金される音声の長さは変わりません。BroadNet Transcribe Arabic でアラビア語 1 時間は $0.25 です。

**このページの内容**

1.  長い録音はなぜ失敗するのですか？
2.  ステップ 1：ファイルを小さくするには？
3.  ステップ 2：単語を切らずに音声を分割するには？
4.  スクリプト全体はどうなりますか？
5.  一度にいくつのチャンクを送れますか？
6.  チャンク同士を重ねる必要はありますか？
7.  次のチャンクで前のチャンクのテキストをコンテキストに使えますか？
8.  長いファイルの料金はいくらですか？
9.  避けるべき失敗は？
10.  チャンク分割が適さないのはどんなときですか？
11.  BroadNet Inference の位置付け

多くの音声認識 API は、1 リクエストあたり約 25 MB のファイルを 1 つ受け付けます。BroadNet Inference が受け付けるのは、最大 26,214,400 バイトの WAV または MP3 です。長い会議、講義、ポッドキャストはこれを簡単に超え、リクエストは 413 で失敗します。対処は 4 ステップです。ファイルを小さくし、無音部分で分割し、各部分を並列で送り、テキストをつなぎ直します。

## 長い録音はなぜ失敗するのですか？

上限は分数ではなくバイト数にかかっています。何分入るかはフォーマットによります。

| フォーマット | 1 秒あたりのバイト数 | 26,214,400 バイトに収まる長さ |
| --- | --- | --- |
| WAV、44.1 kHz ステレオ、16 ビット | 176,400 | 約 2.5 分 |
| WAV、16 kHz モノラル、16 ビット | 32,000 | 約 13.6 分 |
| MP3、64 kbit/s | 8,000 | 約 54 分 |
| MP3、32 kbit/s | 4,000 | 約 109 分 |

どれも単純な計算で、1 秒あたりのバイト数に秒数を掛けたものです。スマートフォンやノートパソコンの録音は 44.1 kHz や 48 kHz のステレオであることが多く、数分で上限に達します。音声にはそこまでの品質は必要ありません。最初に 16 kHz モノラルに変換するのが、最も効果の大きい一手です。

それでもファイルが大きすぎる場合、API はそのまま拒否します。BroadNet のレスポンスは 413、“the request exceeds the endpoint byte or text limit”（訳：リクエストがエンドポイントのバイト数またはテキストの上限を超えています）で、何も文字起こしされません。[エラーコードのガイド](https://broadrouter.com/ja/guides/errors-and-retries/)を参照してください。

## ステップ 1：ファイルを小さくするには？

何よりも先に 16 kHz モノラルに変換します。ffmpeg のコマンド 1 つで済みます。

```bash
ffmpeg -i meeting.m4a -ac 1 -ar 16000 meeting.wav
```

BroadNet では、出力は WAV（`audio/wav`）か MP3（`audio/mpeg`）である必要があります。`.m4a`、`.ogg`、`.webm` などはどのみち変換が必要なので、同じステップでリサンプリングも行いましょう。

WAV と MP3 のどちらを選ぶべきでしょうか。WAV は可逆なので何も失われませんが、約 13 分で上限に達します。64 kbit/s の MP3 なら 1 リクエストに 4 倍の音声が入りますが、非可逆です。MP3 を使うなら、同じ 5 分を WAV と MP3 で文字起こしし、テキストを比べる短いテストをしてください。音声に 16 kHz で十分な理由は[サンプリングレート](https://broadrouter.com/ja/glossary/sample-rate/)の項目で説明しています。

## ステップ 2：単語を切らずに音声を分割するには？

バイトではなく時間で分割します。バイト位置で切るとオーディオフレームの途中に当たることがあり、ファイルがデコードできなくなります。固定時間で切ると、単語の途中に当たることがあります。OpenAI 自身のガイドも、文の途中での分割は “can remove context and reduce accuracy”（訳：コンテキストが失われ、精度が下がる可能性がある）と注意しています。

確実なのは、目標の長さに近い無音部分の中で切る方法です。ファイルのサイズと長さに合わせたコマンドをすぐに得たいなら、無料の[音声分割コマンドビルダー](https://broadrouter.com/tools/audio-splitter-ffmpeg/)を使ってください。手作業なら次のようになります。

1.  ffmpeg の [silencedetect](https://ffmpeg.org/ffmpeg-filters.html) フィルターを実行し、無音の区間を一覧にします。
2.  録音を先頭から見ていき、チャンクが約 10 分になったら次の無音部分で切ります。
3.  ffmpeg で、切れ目から次の切れ目までを各チャンクとして切り出します。

16 kHz モノラル WAV の 10 分は 19.2 MB で、上限まで余裕があります。話者が間を置かずに長く話し続ける場合、下のスクリプトは代わりにハードな最大値で切ります。

ffmpeg の [segment マルチプレクサー](https://ffmpeg.org/ffmpeg-formats.html)を使えば、1 つのコマンドでファイルを “of nearly fixed duration”（訳：ほぼ一定の長さ）の断片に分割することもできます。手軽ですが無音を探さないので、境目ごとに単語が 1 つ失われても構わない場合に限るか、重なり（後述）を加えてください。

## スクリプト全体はどうなりますか？

この Python スクリプトは、変換、無音部分での分割、最大 4 チャンクの同時送信、テキストの結合を行います。BroadNet Inference に接続先を向けた OpenAI SDK を使います。

```python
# pip install openai
import os, re, subprocess, tempfile
from concurrent.futures import ThreadPoolExecutor
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
TARGET, HARD_MAX = 600, 750   # seconds: aim for 10 min, never above 12.5 min

def run(*args):
    return subprocess.run(args, capture_output=True, text=True, check=True)

def silences(path):
    """Midpoints (in seconds) of silent gaps of 0.5 s or more."""
    out = run("ffmpeg", "-i", path, "-af", "silencedetect=noise=-35dB:d=0.5",
              "-f", "null", "-").stderr
    starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", out)]
    ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", out)]
    return [(s + e) / 2 for s, e in zip(starts, ends)]

def duration(path):
    return float(run("ffprobe", "-v", "error", "-show_entries", "format=duration",
                     "-of", "csv=p=0", path).stdout)

def cut_points(path):
    total, gaps, cuts, last = duration(path), silences(path), [0.0], 0.0
    while total - last > HARD_MAX:
        ok = [g for g in gaps if last + TARGET <= g <= last + HARD_MAX]
        last = ok[0] if ok else last + HARD_MAX   # no silence: hard cut
        cuts.append(last)
    return cuts + [total]

def transcribe(chunk):
    with open(chunk, "rb") as f:
        return client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic", file=f, language="ar").text

def transcribe_long(src):
    with tempfile.TemporaryDirectory() as tmp:
        wav = os.path.join(tmp, "full.wav")
        run("ffmpeg", "-y", "-i", src, "-ac", "1", "-ar", "16000", wav)
        cuts, chunks = cut_points(wav), []
        for i, (a, b) in enumerate(zip(cuts, cuts[1:])):
            out = os.path.join(tmp, f"part{i:03d}.wav")
            run("ffmpeg", "-y", "-i", wav, "-ss", str(a), "-to", str(b), out)
            chunks.append(out)
        with ThreadPoolExecutor(max_workers=4) as pool:   # map() keeps order
            return "\n".join(pool.map(transcribe, chunks))

print(transcribe_long("meeting.m4a"))
```

スクリプトについての補足です。

-   \*\*言語。\*\*BroadNet のドキュメントでは常に `language` を送るよう求めています。送らない場合、アラビア語は “can otherwise be transliterated into Latin letters”（訳：ラテン文字に音写されることがある）とのことです。英語、フランス語、そのほかの[対応言語](https://broadrouter.com/ja/blog/multilingual-speech-to-text-api/)には、`broadnet/cohere-transcribe` を正しい言語コードとともに使ってください。
-   **しきい値。**`-35dB` と `0.5` 秒は静かな部屋向けです。雑音の多い部屋では、`-30dB` のように高めのノイズ値が必要です。一度切れ目を出力して確認してください。
-   **順序。**`pool.map` は入力の順序で結果を返すので、チャンクの完了時刻がばらばらでも、テキストは正しい順序で結合されます。

## 一度にいくつのチャンクを送れますか？

キーが許す数までです。BroadNet の従量課金キーでは、同時 4 リクエスト、1 分あたり 30 リクエストまで送れるため、スクリプトはワーカーを 4 つにしています。同時に 5 つ目のリクエストを送ると 429 が返ります。429 と 5xx のレスポンスは指数バックオフで再試行してください。413 は同じファイルでまた失敗するので、再試行しません。[429 エラーへの対処](https://broadrouter.com/ja/blog/handle-llm-api-429-rate-limits/)に、`transcribe()` に被せて使える再試行ヘルパーがあります。

ワーカー 4 つの場合、2 時間の録音を 10 分のチャンクにすると 12 リクエストになり、3 回に分けて送られます。全体の所要時間は、12 回ではなくおよそ 3 回分のチャンクの往復時間です。

## チャンク同士を重ねる必要はありますか？

無音部分の中で切るなら不要です。境目に失われる発話がないからです。重なりは固定時間で切る場合のためのものです。各チャンクを、前のチャンクの終わりより 1〜2 秒前から始め、テキストの結合時に重複した単語を取り除きます。一般的には、あるチャンクの最後の数語と次のチャンクの最初の数語を比べ、一致した部分を削除します。

重なりには少しコストがかかります。10 分のチャンクごとに 2 秒重ねると、課金される音声が約 0.3% 増えます。

## 次のチャンクで前のチャンクのテキストをコンテキストに使えますか？

対応している API もあります。OpenAI は “carrying context from a previous chunk of a longer recording”（訳：長い録音の前のチャンクからコンテキストを引き継ぐこと）を `prompt` パラメーターの用途として挙げています。BroadNet の API リファレンスで文字起こしに記載されているのは `model`、`language`、`file` だけで、`text` フィールドを持つ JSON を返します。そのため BroadNet では各チャンクを独立したものとして扱い、名前や用語は後から修正してください。安上がりな修正方法の 1 つは、結合した文字起こし結果を、人名、製品名、地名の正しい表記リストと一緒にチャットモデルに送ることです。

## 長いファイルの料金はいくらですか？

音声認識は音声の分数で課金されるため、分割しても合計は変わりません。BroadNet の公開料金では次のとおりです。

| 音声 | BroadNet Transcribe Arabic | BroadNet Transcribe（14 言語） |
| --- | --- | --- |
| 1 分あたりの料金 | $0.0042 | $0.002 |
| 1 時間 | $0.25 | $0.12 |
| 1,000 時間 | $252.00 | $120.00 |

料金ページには音声 1 分あたりの料金が記載されており、ファイルごとの最低料金や端数の切り上げについては何も書かれていません。最初のバッチの後に利用状況ページを確認し、合計が音声の長さと一致しているか確かめてください。どちらの文字起こしモデルも $5 の無料の初回クレジットで使え、アラビア語なら約 1,190 分に相当します。自分の量での見積もりには[音声認識コスト計算ツール](https://broadrouter.com/tools/speech-to-text-cost-calculator/)を、プロバイダーの比較には[音声認識 API 価格データセット](https://broadrouter.com/data/speech-to-text-api-prices/)を使ってください。

## 避けるべき失敗は？

-   \*\*元のファイルをそのまま送る。\*\*48 kHz ステレオの WAV は、必要な大きさの 6 倍あります。
-   \*\*バイト位置で切る。\*\*チャンクがデコードできないか、最初の 1 秒がノイズになります。
-   \*\*上限ぎりぎりのチャンク。\*\*25.9 MB のチャンクは今日は通っても、録音が少し大きな音になると失敗します。余裕を残してください。
-   \*\*並列数を制限しない。\*\*50 チャンクを一度に送ると、大半が 429 になります。ワーカー数はキーの同時実行上限までにしてください。
-   \*\*言語の指定を忘れる。\*\*各チャンクは別々のリクエストなので、それぞれに `language` が必要です。

## チャンク分割が適さないのはどんなときですか？

話者ラベルや単語のタイムスタンプが必要なら、プレーンテキストを返す API でチャンク分割しても得られません。BroadNet の文字起こしレスポンスはテキストのみです。[話者分離](https://broadrouter.com/ja/glossary/diarization/)や[タイムスタンプ](https://broadrouter.com/ja/glossary/timestamps-asr/)を返すプロバイダーは、長いファイルもより直接的に扱えます。比較は[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/)にあります。ステレオの通話録音は、時間ではなくチャンネルで分割してください。方法は[コールセンターのパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)で紹介しています。

## BroadNet Inference の位置付け

BroadNet Transcribe Arabic の料金は 1 分あたり $0.0042 で、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） です。音声と文字起こし結果はリクエスト後に保持されません。上記の方法で分割すれば、長いアラビア語録音のバッチ文字起こしに向いています。同じ API でタイムスタンプ、話者ラベル、リアルタイムのストリーミングが必要な場合は向いていません。最初のリクエストは[アラビア語音声認識ガイド](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)で、1 回では送れない大きさのファイルはこの記事で扱っています。

関連する無料ツール（英語）

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

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

## この記事の用語

[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。

[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。

[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。

[同時実行数（concurrency）](https://broadrouter.com/ja/glossary/concurrency/)

同時実行数（concurrency）とは、クライアントが同時に処理中にしているリクエストの数です。開いているリクエストは応答が終わるまで GPU の容量を占有するため、LLM API は毎分リクエスト数とは別に、キーやプランごとにこれを制限することがよくあります。

[チャンク分割（chunking）](https://broadrouter.com/ja/glossary/chunking/)

チャンク分割とは、検索パイプラインで埋め込みとインデックス化の前に文書をチャンクと呼ぶ小さな断片に分ける処理です。チャンクサイズは各断片の量を決め、オーバーラップは隣接チャンク間でテキストを重複させて境界で切れた内容の欠落を防ぎます。

[ツール呼び出し（Function Calling、tool calling）](https://broadrouter.com/ja/glossary/tool-calling/)

ツール呼び出し（Function Calling とも呼ばれます）とは、開発者が定義した関数の実行を求める構造化されたリクエストを、モデルが JSON の引数付きで返す LLM API の機能です。関数を実行して結果を返すのはアプリケーションで、モデル自身がコードを実行することはありません。

[プリフィルとデコード（prefill and decode）](https://broadrouter.com/ja/glossary/prefill-and-decode/)

プリフィルとデコードは LLM 推論の 2 つのフェーズです。プリフィルではプロンプト全体を並列に処理して KV キャッシュを埋め、デコードではそのキャッシュを使って 1 トークンずつ生成します。前者は主に初回トークンまでの時間、後者は出力速度を決めます。

## よくある質問

### 25 MB を超える音声ファイルはどう文字起こしすればよいですか？

まず 16 kHz モノラルに変換してください。それだけで上限内に収まることがよくあります。まだ大きい場合は、ffmpeg で無音部分を使って約 10 分のチャンクに分割し、各チャンクを同じ言語設定で文字起こしして、順番どおりにテキストを結合します。

### 25 MB に何分の音声が入りますか？

フォーマットによります。16 kHz モノラル 16 ビットの WAV は 1 秒 32,000 バイトなので、26,214,400 バイトに約 13.6 分入ります。64 kbit/s の MP3 なら約 54 分です。ステレオや 44.1 kHz の WAV ではずっと短くなります。

### 上限を超えるファイルをアップロードするとどうなりますか？

リクエストは拒否されます。BroadNet Inference は 413 を返し、ドキュメントではこれをエンドポイントのバイト数またはテキストの上限を超えたリクエストと定義しています。何も文字起こしされないので、分割して送り直してください。

### チャンクの境目で単語が失われませんか？

発話の途中を固定時間で切ると失われることがあります。代わりに無音部分の中で切ってください。どうしても固定時間で切る場合は、チャンクを 1〜2 秒重ねて、結合するときに重複した単語を取り除きます。

### ファイルを分割すると料金は高くなりますか？

課金は音声の分数なので、合計の長さは同じです。BroadNet の料金ページには音声 1 分あたりの料金が記載されており、ファイルごとの最低料金や端数の切り上げについては書かれていません。最初のバッチの後に利用状況ページで確認してください。

### 前のチャンクのテキストをコンテキストとして送れますか？

そのためのプロンプトを受け付ける API もあります。OpenAI は、前のチャンクのコンテキストを引き継ぐことを prompt パラメーターの用途として挙げています。BroadNet のドキュメントに記載されているのは model、language、file だけなので、BroadNet ではプロンプトに頼らないでください。

## 続けて読む

-   [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/)
-   [多言語の音声認識 API：14 言語を 1 つのエンドポイントで](https://broadrouter.com/ja/blog/multilingual-speech-to-text-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/)
-   [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/)
-   [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/)
-   [音声認識 API でアラビア語の SRT 字幕を作るには](https://broadrouter.com/ja/blog/arabic-subtitles-srt-api/)
-   [ブラウザで録音して音声認識 API に送る方法](https://broadrouter.com/ja/blog/record-browser-audio-transcription-api/)
-   [アラビア語の音声を API で英語テキストに翻訳する：検証済みのパイプライン](https://broadrouter.com/ja/blog/translate-arabic-audio-to-english/)
-   [BroadNet の GPU ハードウェアとサービング方式（BroadNet の説明による）](https://broadrouter.com/ja/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API のレスポンスをキャッシュしてコスト削減：Python の完全一致キャッシュ](https://broadrouter.com/ja/blog/cache-llm-responses-cut-cost/)
-   [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-transcribe-long-audio-files-api&utm_content=page-cta) ·

**出典**

-   [BroadNet Inference API リファレンス：WAV または MP3 で最大 26,214,400 バイト、language フィールド、413 と 429 エラー、従量課金の制限（2026-11-15 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [BroadNet Inference 料金ページ、音声 1 分あたりの文字起こし料金（2026-11-15 確認）（英語）](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-transcribe-long-audio-files-api&utm_content=sources)
-   [OpenAI 音声認識ガイド：25 MB のファイル上限、チャンクへの分割、文の途中での分割を避ける（2026-11-15 確認）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [FFmpeg フォーマットのドキュメント、segment マルチプレクサー（2026-11-15 確認）](https://ffmpeg.org/ffmpeg-formats.html)
-   [Hugging Face の Open Universal Arabic ASR Leaderboard（BroadNet が報告した順位。BroadRouter が 2026-11-15 に確認）](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
-   [FFmpeg フィルターのドキュメント、silencedetect（2026-11-15 確認）](https://ffmpeg.org/ffmpeg-filters.html)
