BroadRouter

音声認識(Speech-to-Text)

更新日

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。

別名: 文字起こし API、自動音声認識、音声テキスト変換、音声文字変換、STT、ASR、speech-to-text、automatic speech recognition、transcription API、audio transcription、voice to text

ボイスメッセージ、通話、会議には、文字にするまでソフトウェアで検索できない情報が詰まっています。音声認識は、その溝を埋めるものです。

仕組み

Hugging Face は自動音声認識を “the task of transcribing a given audio to text”(訳:与えられた音声をテキストに書き起こすタスク)と定義しています。現在の ASR モデルは、音声を特徴量に変換し、そこから最も確からしい単語の並びを生成します。

OpenAI 互換 API では、ファイルを multipart フォームデータとして /v1/audio/transcriptions にアップロードします。

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

レスポンスは JSON で、文字起こしは text に入っています。プロバイダーはファイルサイズと形式に上限を設けています。OpenAI 自身のエンドポイントは 25 MB までのファイルを受け付けます(同社の音声認識ガイド、2026-11-15 確認)。

なぜ重要か

  • 価値を決めるのは精度。 名前や数字を間違えた文字起こしは、ないより悪いこともあります。精度は単語誤り率で測り、訛り、方言、話者の重なり、電話音声では下がります。
  • 音声 1 時間あたりの料金。 音声認識は音声 1 分単位で課金されるので、費用を見積もりやすいです。音声の時間数に 1 時間あたりの単価を掛けるだけです。
  • プライバシー。 音声には名前、電話番号、健康や銀行の情報が含まれます。音声と文字起こしが保存されるかを確認してください。ゼロデータ保持を参照してください。
  • パイプライン。 文字起こしは、要約、振り分け、情報抽出のために、次に LLM へ渡されることがよくあります。

BroadNet Inference の場合

モデル 言語 1 分あたりの料金 1 時間あたり
BroadNet Transcribe Arabic アラビア語(方言を含む) $0.0042 $0.25
BroadNet Transcribe 14 言語 $0.002 $0.12

どちらも 1 ファイルあたり 26,214,400 バイト(25 MiB)までの 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 を返します。アラビア語では language=ar を送ってください。送らないと、ラテン文字に音訳されて返ってくることがあります。BroadNet は、このアラビア語モデルが 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) だと報告しています。音声と文字起こしは保持されません。

ほかのプロバイダーのほうが安い場合もあります。2026-11-14 時点で、Soniox の料金ページはファイル(非同期)の文字起こしを 1 時間あたり約 0.10 米ドル、リアルタイムを 1 時間あたり 0.12 米ドルとしており、対応言語にアラビア語が含まれています。これは BroadNet Transcribe Arabic の 1 時間あたり $0.25 より安いため、自社の音声で両方をテストしてください。オープンな音声認識 API 料金インデックスでは、20 を超える製品を、料金ごとの出典と日付付きで掲載しています。

どちらのモデルも $5 の無料の初回クレジットで使え、アラビア語の音声で約 1,190 分に相当します。まずアラビア語音声認識ガイドから始め、WhatsApp の .ogg ファイルはボイスメッセージのガイドで変換し、プロバイダーの比較には購入ガイドを使ってください。

よくある質問

音声認識の精度はどうやって測りますか?

単語誤り率(WER)で測ります。正しい参照テキストと比べて、文字起こしが間違えた単語の割合です。低いほど良い値です。精度は訛り、方言、音質によって大きく変わるため、自社の録音で測ってください。

サイズ上限を超える音声ファイルはどう文字起こししますか?

音声を、できれば無音の区切りで短く分割し、それぞれを文字起こししてください。MP3 に圧縮してもサイズを減らせます。

アラビア語の文字起こしがラテン文字で返ってくるのはなぜですか?

言語の指定がないと、一部のモデルは音訳してしまいます。BroadNet Inference では、アラビア語なら language=ar を送ってください。

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