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 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 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 | $0.002 | $0.12 | 14 |
| BroadNet 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で、他社との比較は音声認識 API の料金比較でどうぞ。
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。
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:
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。
- **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。
- 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」)。
- **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 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。
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。
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。
- **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。
- **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。
- **正しい
languageコードで文字起こしし、**言語ごとに単語誤り率を計算します。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。 - **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。
- **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 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)、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にまとめています。

