BroadRouter

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

BroadNet Inference チーム · 約 8 分で読めます · 公開日 · 更新日

2 段階で行います。音声認識 API で language を ar にしてアラビア語の音声を文字起こしし、名前と数字を保持するよう指示した LLM で書き起こしを翻訳します。長いファイルは先に分割し、数字はコードでチェックし、小さなサンプルを chrF で採点して、文字起こしの段階で品質がどれだけ落ちるかを確認します。

「アラビア語の音声を英語に翻訳」で上位に表示されるページの多くは、アップロードしてダウンロードする Web ツールです。1 ファイルならそれで十分です。自社の製品内(サポート通話、インタビュー、ボイスメッセージ、講義)で翻訳が必要なら、2 回の API 呼び出しと、その周りのチェックが必要です。この記事では、1 つの OpenAI 互換キーでそのパイプラインを構築してテストし、十分な品質かどうかを測る方法を紹介します。

手元にあるアラビア語テキストの翻訳については、LLM によるアラビア語と英語の翻訳を参照してください。会議の録音を全文翻訳ではなく議事録にする場合は、録音からアラビア語の議事録を作るを参照してください。

呼び出しは 1 回か 2 回か?

アラビア語の音声から英語のテキストを得る方法は 2 つあります。

方式 仕組み 向いている用途
音声翻訳(1 段階) 1 回のリクエストで、サービスが英語を返す ライブ音声、字幕、最もシンプルなコード
文字起こし後に翻訳(2 段階) 音声認識の呼び出しがアラビア語テキストを返し、LLM がそれを翻訳する ファイル、アラビア語も必要な場合、用語集とチェック

ファイル向けの 1 段階エンドポイントとして最も知られているものが変わりつつあります。OpenAI の音声認識ガイドによると、/v1/audio/translations は “uses whisper-1 to translate a completed audio recording into English”(訳:whisper-1 を使って、完成した音声録音を英語に翻訳する)ものです。2026-11-15 に確認した非推奨一覧ページでは、通知日が 2026 年 8 月 26 日、停止日が 2027 年 2 月 26 日です。記載された後継は /v1/realtime/translations で、これはファイルのアップロードではなくリアルタイム API です。コードが古いエンドポイントを呼んでいるなら、いずれにしても作り直すことになります。

Soniox は現在の 1 段階の選択肢の 1 つです。そのアラビア語から英語のページでは、source を ar、target を en にした translation ブロック付きの WebSocket リクエストが示されています。このようなストリーミング製品が最も意味を持つのはライブ音声です。

ファイルについては、2 段階のパイプラインに実用上の利点が 3 つあります。

  1. **アラビア語の書き起こしが残る。**検索したり、英語と並べて表示したり、後でより良いモデルで再翻訳したりでき、文字起こしの費用を再び払う必要はありません。
  2. **翻訳を制御できる。**モデルを選び、名前や製品用語の用語集を渡し、出力をコードでチェックできます。
  3. **誤りの出どころがわかる。**誤った英文は、認識の誤りか翻訳の誤りのどちらかです。書き起こしが手元にあれば、どちらかを判別できます。

代償は、リクエストが 1 回増えることとコードが増えることです。この記事の残りはそのコードです。

パイプラインはどんな形ですか?

recording (.m4a, .mp4, .ogg, .wav)
  → ffmpeg: 16 kHz mono WAV, parts of 10 minutes or less
  → transcribe each part (language=ar)        → Arabic text
  → translate each part, with glossary and the end of the previous part as context
  → check numbers and empty or cut-off replies → English text

ステップ 1:音声はどう準備して分割しますか?

BroadNet の文字起こしエンドポイントは、1 ファイル 26,214,400 バイトまでの WAV(audio/wav)か MP3(audio/mpeg)を受け付けます。スマートフォンの録音(.m4a)、WhatsApp のボイスメッセージ(.ogg)、動画はどのみち変換が必要なので、同じ ffmpeg のステップでリサンプリングと分割を行います。

ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le \
  -f segment -segment_time 600 chunks/part_%03d.wav

16 kHz モノラル 16 ビットの音声は毎秒 32,000 バイトなので、10 分のパートは約 19.2 MB で上限を下回ります。25 分のテストファイルでこれを実行したところ、19,200,162 バイトと 19,200,194 バイトの 2 パートと、9,599,878 バイトの 5 分のパートができました。

固定長で切ると単語が分断されることがあります。実際の音声では、無音部分で切ってください。長い音声ファイルの文字起こしには無音ベースの分割処理があり、音声分割ツールは ffmpeg のコマンドを書いてくれます。サンプリングレートと、音声に 16 kHz で十分な理由については用語集を参照してください。

ステップ 2 と 3:文字起こしと翻訳はどう行いますか?

以下のスクリプトは、各パートをアラビア語の文字起こしモデルに送り、次に翻訳プロンプトとともにチャットモデルに送ります。OpenAI Python SDK で動作します。

import os, re, glob
from openai import OpenAI

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

GLOSSARY = {"شركة النخيل": "Al Nakheel Company", "مازن": "Mazen"}  # your fixed terms
SYSTEM = """You translate transcripts of spoken Arabic into clear English.
The Arabic comes from speech recognition: it may be dialect, have no punctuation,
mix in English words, and contain recognition errors.
Rules:
- Translate the meaning faithfully. Do not summarise, add or drop content.
- Keep every number, date, amount and name. Write numbers as digits.
- Use the glossary spellings exactly.
- Keep English words that the speaker used as they are.
- If a phrase makes no sense, translate it literally and add [unclear] after it.
- Reply with the English translation only."""

def glossary_block(text: str) -> str:
    hits = [f"{ar} = {en}" for ar, en in GLOSSARY.items() if ar in text]
    return "Glossary:\n" + "\n".join(hits) + "\n\n" if hits else ""

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

def translate(arabic: str, previous: str = "") -> str:
    context = f"Previous part, for context only, do not translate:\n{previous}\n\n" if previous else ""
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b", max_tokens=4000, reasoning_effort="low",
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": glossary_block(arabic) + context + "Translate:\n" + arabic}])
    choice = r.choices[0]
    if choice.finish_reason == "length" or not choice.message.content:
        raise RuntimeError("cut off: raise max_tokens or send a shorter part")
    return choice.message.content.strip()

DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def missing_numbers(arabic: str, english: str) -> list[str]:
    nums = re.findall(r"\d+", arabic.translate(DIGITS))
    return [x for x in nums if x not in re.findall(r"\d+", english)]

previous = ""
for chunk in sorted(glob.glob("chunks/part_*.wav")):
    arabic = transcribe(chunk)
    english = translate(arabic, previous)
    print(f"--- {chunk}\nAR: {arabic}\nEN: {english}")
    if gaps := missing_numbers(arabic, english):
        print(f"CHECK: numbers {gaps} missing from the translation")
    previous = arabic[-500:]

それぞれの部分の役割は次のとおりです。

  • **language="ar"。**BroadNet のドキュメントでは、文字起こしのリクエストには必ず language を送るよう求めています。リクエストの詳細はアラビア語音声認識ガイドで扱っています。
  • **プロンプトでテキストの出どころを伝える。**書き起こしには句読点がなく、方言の可能性があり、認識誤りを含むことがあります。それを伝えると、モデルは不自然な言い回しを意図的なものとして扱わなくなり、[unclear] マーカーはレビュー担当者が検索できる目印になります。
  • **英単語はそのまま残す。**アラビア語の話者は文の途中で英語に切り替えることがよくあります(「الـ deadline」「فريق الـ QA」)。これはコードスイッチングで、モデルはそうした単語を行ったり来たり翻訳せず、そのままにすべきです。
  • **パートごとの用語集。**パートに出てくる用語集の項目だけを送ることで、プロンプトを短く保ちます。照合は完全一致なので、書き起こしの綴りにゆれがある場合(أ と ا、ة と ه)は、先に両方を正規化してください。一般的なルールはアラビア語テキスト正規化ツールで確認できます。
  • **前のパートをコンテキストに。**前のアラビア語パートの最後の 500 文字は、代名詞やパートの境目で切れた文の処理に役立ちます。プロンプトでそれを翻訳しないよう指示しているため、2 回出てくることはありません。
  • **max_tokens=4000 と reasoning_effort="low"。**BroadNet のドキュメントによると、DeepSeek V4.1 Flash、GLM 5.3、Qwen3.8 27B は回答の前に推論し、その推論は max_tokens に含まれます。上限が小さいと空の回答が返ることがあります。推論トークンと空の応答を参照してください。コードは、空の返答や途中で切れた返答に対して、翻訳の半分を保存するのではなくエラーを発生させます。
  • **数字のチェック。**誤訳が最も大きな損害を与えるのは数字です。このチェックは、アラビア・インド数字(٠-٩)とペルシア数字(۰-۹)を 0-9 に変換し、それぞれの数字が英語に含まれることを確認します。言葉で話された数字(「خمسة عشر」)は検出できないため、重要な内容はやはり人が読んでください。

テストの結果は?

両方のエンドポイントを実装したローカルのモックサーバー(実際の API 呼び出しなし)でスクリプトを実行しました。25 分のテストファイルの 3 パートを model=broadnet/cohere-transcribe-arabic と language=ar で送り、各チャットリクエストにはそのパートの用語集の行と、前のアラビア語パートをコンテキストとして含めました。モックの 3 つ目の翻訳では意図的に数字を 1 つ落としており、スクリプトは次のように出力しました。

--- chunks/part_002.wav
AR: اتفقنا مع شركة النخيل على تسليم ٢٤٠ وحدة قبل نهاية الشهر
EN: We agreed with Al Nakheel to deliver the units before month end.
CHECK: numbers ['240'] missing from the translation

アラビア語の文と会社はテスト用に作ったものです。この実行が示すのはコードが動くことであり、どのモデルの翻訳がどれだけ良いかではありません。それには、次の採点ステップを使ってください。

認識誤りは翻訳にどう影響しますか?

そのまま通り抜けます。話者が ٢٤٠ と言ったのに書き起こしが ٢١٤ なら、翻訳は忠実に 214 と書きます。方言の単語が発音の似た標準語の単語に聞き間違えられると、翻訳は流暢で、しかも間違ったものになります。英語が流暢だとこうした誤りは見つけにくく、これがあらゆる音声翻訳システムの主なリスクです。

誤りのどれだけが各ステップから来ているかは測定できます。30 以上のクリップを集め、それぞれについて次を用意します。

  1. 人によるアラビア語の書き起こし
  2. 人による英語の翻訳(正解訳)

そのうえで、人の書き起こしと ASR の書き起こしの両方をパイプラインで翻訳し、両方を正解訳と比べて採点します。chrF は文字 n-gram のスコアで、BLEU より名前や語形に強く、アラビア語と英語では通常の既定の指標です。SacreBLEU は両方を計算できます。

from sacrebleu.metrics import BLEU, CHRF

# One English reference per clip, written by a human translator.
refs = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
        "The deadline is December 15, and Mazen is following up with the QA team."]
# Your pipeline's English, from the human Arabic transcript (MT only)...
from_gold = ["We agreed with Al Nakheel Company to deliver 240 units before the end of the month.",
             "The deadline is 15 December, and Mazen is following up with the QA team."]
# ...and from the ASR transcript (the full pipeline).
from_asr = ["We agreed with Al Nakheel Company to deliver 214 units before the end of the month.",
            "The deadline is 15 December, and Mazen is following up with the key team."]

chrf, bleu = CHRF(), BLEU()
for name, hyp in [("MT on human transcript", from_gold), ("ASR + MT", from_asr)]:
    print(f"{name:24} chrF {chrf.corpus_score(hyp, [refs]).score:5.1f}   BLEU {bleu.corpus_score(hyp, [refs]).score:5.1f}")

この 2 つのおもちゃの文(SacreBLEU 2.6.0)では、人の書き起こしの経路で chrF 94.6、BLEU 89.2、完全なパイプラインで chrF 87.1、BLEU 71.7 と出力されました。2 つのおもちゃの文では、モデルについて何も証明できません。自社のクリップで差が大きければ、認識を改善すべきです。より良い音声、アラビア語方言の音声認識のような方言テストセット、あるいは別のプロバイダーです。差は小さいが全体のスコアが低い場合は、翻訳のステップに手を入れる必要があります。より良いプロンプト、用語集、または別のモデルです。文字起こしのステップ単体を採点するには、単語誤り率を使ってください。

自動スコアはシステムの順位付けには使えますが、翻訳の承認にはなりません。バイリンガルのレビュー担当者にサンプルを読んでもらい、特に数字、名前、否定文を確認してください。

どのモデルを使うべきですか?

ステップ BroadNet のモデル 価格 備考
文字起こし BroadNet Transcribe Arabic 1 分 $0.0042(1 時間 $0.25) アラビア語のみ。$5 の初回クレジットで使える
翻訳 Qwen3.8 27B 100 万トークンあたり入力 $0.175、出力 $2.17 推論モデル。262,144 トークンのコンテキスト。チャージが必要
翻訳 Gemma 4 VL 26B 100 万トークンあたり入力 $0.10、出力 $0.22 初回クレジットで使える。32,768 トークンのコンテキストで、10 分のパートには通常十分。サンプルをトークンカウンターで確認すること。BroadNet が推論モデルにのみ記載している reasoning_effort は外す
翻訳 DeepSeek V4.1 Flash 100 万トークンあたり入力 $0.175、出力 $0.52、または定額セッション 推論モデル。パートナーがホスト。チャージかプランが必要

各翻訳モデルで同じクリップに採点スクリプトを実行し、私たちの表ではなく、スコアとレビュー担当者のメモで選んでください。より広いトレードオフはアラビア語向け LLM の選び方で扱っています。

音声 1 時間あたりの費用は?

2 つの部分があります。

  • 文字起こしは音声 1 分単位です。BroadNet Transcribe Arabic では 1 時間 $0.25 です。
  • 翻訳はトークン単位です。prompt_tokens × input price + completion_tokens × output price を 1,000,000 で割ります。プロンプトには、システムプロンプト、用語集の行、前のパートのコンテキスト、書き起こしが含まれます。補完には英語の訳文と、推論モデルでは推論トークンが含まれます。

翻訳の 1 時間あたりの費用を 1 つの数値では公開していません。話す速さ、方言、モデルの推論量によって変わるからです。測定してください。典型的な 1 時間分を実行し、レスポンスの usage.prompt_tokens と usage.completion_tokens を合計して、LLM API コスト計算ツールに入力します。音声が手元にない段階では、書き起こしのサンプルをアラビア語トークンカウンターに貼り付けることができます。アラビア語と英語の 1 語あたりのトークン数が示すように、アラビア語は通常、英語より 1 語あたりのトークンが多くなります。音声側の費用は音声認識コスト計算ツールで算出できます。

大量のバックログには、DeepSeek V4.1 Flash の定額セッションを使えば、翻訳のステップでトークンの課金がなくなります。1 セッションあたり 1 時間 $1、1 週間 $15、1 か月 $60 です。1 セッションで同時に処理できるリクエストは 1 件なので、並列のワーカーにはより多くのセッションが必要です。文字起こしは引き続き分単位で課金されます。

このパイプラインが適さないのはどんなときですか?

  • **ライブ音声。**通話、ライブ字幕、音声エージェントには、数秒以内のストリーミングの結果が必要です。ファイルのアップロードより、ストリーミングの音声翻訳 API やリアルタイムのエンドポイントのほうが適しています。
  • **字幕。**BroadNet の文字起こしのレスポンスはテキストのみで、タイムスタンプはありません。テキストのみの API でアラビア語字幕を作るでは、チャンクのオフセットでどこまでできるかを示しています。単語単位のタイミングが必要なら、タイムスタンプを返すプロバイダーを使ってください。
  • **BroadNet が文字起こししない言語。**アラビア語モデルが扱うのはアラビア語です。他の元言語については、まず多言語モデルの 14 言語のリストを確認してください。
  • **法務や医療の記録。**パイプラインは下書きに使い、記録には人の翻訳者を使ってください。

BroadNet Inference の位置づけ

BroadRouter は BroadNet 自身のサイトです。BroadNet Inference は、このパイプラインの両方のステップを 1 つの OpenAI 互換キーで提供します。/v1/audio/transcriptions でアラビア語の文字起こし、/v1/chat/completions で翻訳です。1 段階の音声翻訳エンドポイントやストリーミングの文字起こしはないため、ライブ音声には別のプロバイダーを使ってください。プライバシーポリシーによると、音声、書き起こし、回答を含む推論の内容は保持されず、必要なアカウント、請求、セキュリティのメタデータは保持されます。アラビア語文字起こしのページか API リファレンスから始め、出力に頼る前に自社の録音でテストしてください。

よくある質問

アラビア語の音声を 1 回の API 呼び出しで英語に翻訳できますか?

できます。Soniox のような音声翻訳 API を使えば、音声認識のリクエストに翻訳の設定を加えられます。OpenAI の /v1/audio/translations エンドポイントもファイルに対して同じことができますが、非推奨で、停止日は 2027 年 2 月 26 日とされています。2 段階のパイプラインは呼び出しが 2 回になりますが、アラビア語の書き起こしも得られます。

直接の音声翻訳と、文字起こししてから翻訳するのとでは、どちらが良いですか?

自社の音声で両方をテストしてください。文字起こししてから翻訳する方式なら、翻訳モデルを選び、用語集を加え、数字をチェックし、アラビア語のテキストを残せます。1 段階の API はシンプルで、通常はライブ音声に向いています。選ぶ前に、30 以上のクリップを人の翻訳と照らして chrF で採点してください。

このパイプラインはエジプト、湾岸、レバントのアラビア語に対応できますか?

大部分は文字起こしのステップで決まるため、対象とする方言の録音でテストしてください。そのうえで、書き起こしが方言である可能性や英語の単語が混ざる可能性を翻訳モデルに伝えます。音声モデルがほとんど見たことのない方言の単語が、誤りの主な原因です。

25 MB を超えるアラビア語の音声ファイルはどう翻訳しますか?

ffmpeg で 16 kHz モノラルの WAV に変換し、10 分以下のパートに分割します。各パートは約 19.2 MB です。各パートを文字起こしし、前のパートの末尾をコンテキストとして渡しながら、順番に翻訳します。

この方法でタイムスタンプ付きの英語字幕を作れますか?

BroadNet から直接は作れません。文字起こしのレスポンスはテキストのみで、タイムスタンプはありません。アラビア語字幕の記事のようにチャンクのオフセットから字幕のタイミングを決めるか、単語やセグメントのタイムスタンプを返すプロバイダーを使ってください。

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