BroadRouter

ブラウザで録音して音声認識 API に送る方法

BroadNet Inference チーム · 約 6 分で読めます · 公開日

getUserMedia と MediaRecorder で録音し、isTypeSupported で形式を選び、空のチャンクは捨てます。API が WAV か MP3 しか受け付けないなら、ブラウザで録音をデコードして 16 kHz モノラル WAV にエンコードするか、アップロードしてサーバーで ffmpeg 変換します。どちらの場合も自前のバックエンドを経由させ、API キーはブラウザに渡しません。

Web アプリでボイスメッセージを録音するだけなら、JavaScript で 30 行ほどです。問題はファイルを送るときに始まります。ブラウザは WebM か MP4 で録音したのに API は別の形式を求める、iPhone では無音のクリップに「Thank you」と返ってくる、コピーしたチュートリアルは API キーをページに埋め込んでいる。この記事では、録音、WAV への変換、サイズの確認、小さなサーバー経由での転送という一連の流れを組み立て、各部分をテストします。

例は WAV か MP3 しか受け付けない API を対象にしています。BroadNet Inference がその一つで、ドキュメントには 1 ファイル最大 26,214,400 バイトの WAV(audio/wav)または MP3(audio/mpeg)と書かれています。使う API が WebM を受け付けるなら、変換を飛ばして残りをそのまま使ってください。OpenAI の音声認識ガイドは flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav、webm を最大 25 MB まで受け付けるとしています。

ブラウザはどの形式で録音しますか?

MediaRecorder は、対応している形式を指定しない限り、ブラウザが選んだ圧縮形式で録音します。MediaRecorder.isTypeSupported() で順に問い合わせ、最初に一致したものを使ってください。

型文字列 主なブラウザ
audio/webm;codecs=opus Chrome、Edge、Firefox
audio/mp4 Safari(WebKit のドキュメントでは AAC の MP4)。今回のテストでは Chromium も対応と報告
audio/ogg;codecs=opus Firefox

2026-11-15 にヘッドレス Chromium で試したところ、isTypeSupported は WebM/Opus と MP4 で true、Ogg/Opus で false を返しました。この表は出発点であり、保証ではありません。MDN によると、true はブラウザがその形式を原理上録音できるという意味にすぎず、リソースが足りなければ録音は失敗することがあります。作成後は必ず recorder.mimeType を読み、リクエストした形式ではなくその値でアップロードにラベルを付けてください。

マイクから録音するには?

コードの形を決めるブラウザのルールが 2 つあります。1 つ目は、getUserMedia がセキュアコンテキスト、つまり HTTPS、localhost、file: URL でしか存在しないことです。別のホストから通常の HTTP で開くと navigator.mediaDevices は undefined になり、呼び出すと許可を求める代わりに TypeError が投げられます。2 つ目は、ユーザーが許可しなければならず、拒否されると NotAllowedError が発生することです。どちらの場合も、ユーザーが対処できるメッセージを表示してください。

// record.js: record from the microphone, return a 16 kHz mono WAV Blob.
const TYPES = ["audio/webm;codecs=opus", "audio/mp4", "audio/ogg;codecs=opus"];

export async function startRecording() {
  if (!navigator.mediaDevices?.getUserMedia) {
    throw new Error("Microphone access needs HTTPS (or localhost).");
  }
  const stream = await navigator.mediaDevices.getUserMedia({ audio: true });
  const mimeType = TYPES.find((t) => MediaRecorder.isTypeSupported(t));
  const rec = new MediaRecorder(stream, mimeType ? { mimeType } : {});
  const chunks = [];
  rec.ondataavailable = (e) => { if (e.data.size > 0) chunks.push(e.data); };
  rec.start(1000); // a chunk every second, so a crash loses at most one second
  return () => new Promise((resolve) => {
    rec.onstop = () => {
      stream.getTracks().forEach((t) => t.stop()); // turn the mic indicator off
      resolve(new Blob(chunks, { type: rec.mimeType }));
    };
    rec.stop();
  });
}

このコードの 3 つの細部は、実際のバグ報告から来ています。

  • 空のチャンクを捨てる。 iPhone での MediaRecorder に関する OpenAI フォーラムのスレッドで、ある開発者は iOS で dataavailable が空のデータで発火することを突き止め、そのチャンクを除外して解決しました。別の開発者は timeslice 付きで開始する(start(1000))ことで同じ症状を解決しています。
  • トラックを止める。 レコーダーを止めてもマイクは解放されません。getTracks().forEach(t => t.stop()) がないと、ブラウザは録音中の表示を出し続けます。
  • チャンク数で録音時間を測らない。 MDN は、timeslice の間隔は正確ではなく、Safari がマイクを一時停止したときや Android Chrome で画面がロックされたときには延びることがあると警告しています。長さを表示したり上限を設けたりするなら、独自のタイマーを持ってください。

ブラウザで録音を WAV に変換するには?

Web Audio API は、ブラウザが録音したものなら何でもデコードできます。MDN にある 2 つの事実のおかげで、処理は短く済みます。decodeAudioData は断片ではなく完全なファイルでしか動かないので、stop() の後にデコードします。そして、デコードした音声をコンテキストのサンプルレートにリサンプリングします。したがって 16,000 Hz で作成した OfflineAudioContext は、追加のリサンプリングコードなしで 16 kHz のサンプルを返します。コンストラクターは 3,000〜768,000 Hz の任意のレートを受け付けます。

export async function toWav16k(blob) {
  // decodeAudioData needs the whole file and resamples to the context's rate.
  const ctx = new OfflineAudioContext(1, 1, 16000);
  const audio = await ctx.decodeAudioData(await blob.arrayBuffer());
  return encodeWav(mixDown(audio), 16000);
}

export function mixDown(audio) {
  const out = new Float32Array(audio.length);
  for (let c = 0; c < audio.numberOfChannels; c++) {
    const ch = audio.getChannelData(c);
    for (let i = 0; i < out.length; i++) out[i] += ch[i] / audio.numberOfChannels;
  }
  return out;
}

export function encodeWav(samples, rate) {
  const buf = new ArrayBuffer(44 + samples.length * 2);
  const v = new DataView(buf);
  const str = (o, s) => [...s].forEach((ch, i) => v.setUint8(o + i, ch.charCodeAt(0)));
  str(0, "RIFF"); v.setUint32(4, 36 + samples.length * 2, true); str(8, "WAVE");
  str(12, "fmt "); v.setUint32(16, 16, true); v.setUint16(20, 1, true); // PCM
  v.setUint16(22, 1, true); v.setUint32(24, rate, true);                // mono
  v.setUint32(28, rate * 2, true); v.setUint16(32, 2, true); v.setUint16(34, 16, true);
  str(36, "data"); v.setUint32(40, samples.length * 2, true);
  for (let i = 0; i < samples.length; i++) {
    const s = Math.max(-1, Math.min(1, samples[i]));
    v.setInt16(44 + i * 2, s < 0 ? s * 0x8000 : s * 0x7fff, true);
  }
  return new Blob([buf], { type: "audio/wav" });
}

16 kHz モノラルにする理由:BroadNet 自身の ffmpeg の例が使っている設定(-ar 16000 -ac 1)であり、音声帯域を保ち、バイト数は 48 kHz の 3 分の 1 です。ステレオにすると、話者が 1 人ならサイズが倍になるだけで得るものはありません。トレードオフはサンプルレートを参照してください。

WAV は非圧縮なので、サイズの計算が重要です。1 秒あたり 16,000 サンプル、各 2 バイトで、1 秒 32,000 バイトです。44 バイトのヘッダーを含めると、BroadNet の 26,214,400 バイトの上限には 819 秒、約 13 分 39 秒が入ります。それより長いものは、上限で録音を止めるか、長い音声ファイルの文字起こしのようにサーバーで分割してください。音声分割ツールが ffmpeg コマンドを書いてくれます。

ブラウザでの変換はユーザーの CPU とメモリを使い、デコードしたクリップ全体が 32 ビット浮動小数点でメモリに載ります。数分のボイスメッセージなら問題ありません。長い録音では、圧縮ファイルをアップロードしてサーバーで変換してください。

サーバー側で変換するには?

圧縮された録音をそのまま送り、ffmpeg に任せます。ページのコードが減り、アップロードも小さくなり、結果は同じです。

ffmpeg -i in.webm -ar 16000 -ac 1 out.wav

アップロードは ffmpeg にパイプで渡さず、一時ファイルに書き出してください。MP4 ファイルはインデックスを末尾に置くことがあり、ffmpeg はパイプからそれを読めないことがあります。WhatsApp ボイスメッセージのガイドでも、.ogg ファイルに同じコマンドを使っています。

API キーをブラウザに出さないには?

ページと API の間に小さなエンドポイントを置きます。録音を受け取り、必要なら変換し、サイズを確認し、環境変数からキーを付けて転送します。Node 18 以降には fetch、FormData、Blob が組み込まれているので、パッケージは不要です。

// server.mjs: POST /transcribe with the recording as the body. The key stays here.
import http from "node:http";
import { execFile } from "node:child_process";
import { mkdtemp, writeFile, readFile, rm } from "node:fs/promises";
import { tmpdir } from "node:os";
import { join } from "node:path";
import { promisify } from "node:util";

const API = process.env.BROADNET_BASE_URL ?? "https://inference.broadnet.ai/v1";
const KEY = process.env.BROADNET_API_KEY;
const FFMPEG = process.env.FFMPEG ?? "ffmpeg";
const MAX = 26_214_400; // BroadNet's per-file cap in bytes
const run = promisify(execFile);

async function readBody(req, limit) {
  const parts = []; let n = 0;
  for await (const c of req) { n += c.length; if (n > limit) throw Object.assign(new Error("too large"), { code: 413 }); parts.push(c); }
  return Buffer.concat(parts);
}

async function toWav(bytes) {
  // Temp files, not pipes: an MP4 from Safari can keep its index at the end.
  const dir = await mkdtemp(join(tmpdir(), "rec-"));
  try {
    await writeFile(join(dir, "in"), bytes);
    await run(FFMPEG, ["-v", "error", "-i", join(dir, "in"), "-ar", "16000", "-ac", "1", join(dir, "out.wav")]);
    return await readFile(join(dir, "out.wav"));
  } finally { await rm(dir, { recursive: true, force: true }); }
}

http.createServer(async (req, res) => {
  const reply = (code, obj) => { res.writeHead(code, { "content-type": "application/json" }); res.end(JSON.stringify(obj)); };
  if (req.method !== "POST" || req.url !== "/transcribe") return reply(404, { error: "not found" });
  try {
    const type = (req.headers["content-type"] ?? "").split(";")[0];
    let body = await readBody(req, 4 * MAX);
    if (type !== "audio/wav" && type !== "audio/mpeg") {
      try { body = await toWav(body); }
      catch { return reply(400, { error: "Could not read the recording." }); }
    }
    if (body.length > MAX) return reply(413, { error: "Recording too long; split it first." });
    const form = new FormData();
    form.append("model", "broadnet/cohere-transcribe-arabic");
    form.append("language", "ar");
    form.append("file", new Blob([body], { type: type === "audio/mpeg" ? "audio/mpeg" : "audio/wav" }),
      type === "audio/mpeg" ? "audio.mp3" : "audio.wav");
    const r = await fetch(`${API}/audio/transcriptions`, {
      method: "POST", headers: { Authorization: `Bearer ${KEY}` }, body: form,
    });
    const data = await r.json();
    return r.ok ? reply(200, { text: data.text }) : reply(r.status, { error: data });
  } catch (e) {
    return reply(e.code === 413 ? 413 : 500, { error: String(e.message ?? e) });
  }
}).listen(process.env.PORT ?? 8787);

ページからは WAV か元の録音を送ります。

const stop = await startRecording();
// ...later, when the user taps Stop:
const raw = await stop();
const wav = await toWav16k(raw);          // or send `raw` and let the server convert
const r = await fetch("/transcribe", { method: "POST", headers: { "content-type": wav.type }, body: wav });
const { text } = await r.json();

自分用に手を加えるときに残しておきたいポイント:

  • language は必ず送る。 BroadNet のドキュメントによると、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ます。アラビア語モデルでは ar を使うか、broadnet/cohere-transcribe に切り替えて、その 14 言語のうち該当するコードを指定してください。
  • エラーは汎用的なものを返す。 テスト用プロキシの最初の版は ffmpeg のエラーをそのまま返しており、サーバーのファイルパスが含まれていました。上のコードは代わりに「Could not read the recording.」を返します。
  • デプロイ前に認証とレート制限を追加する。 そうしないと、/transcribe を見つけた誰もがあなたの残高を使えてしまいます。残りは LLM API キーのセキュリティで扱っています。BroadNet のキーは IP 許可リストで制限することもできます。
  • ほぼ無音のクリップは拒否する。 「Thank you」や「Bye」が捏造されたというフォーラムの報告は、無音や壊れた録音に関するものです。料金が発生する前に、長さ(WAV のバイト数 ÷ 32,000)と、可能なら信号レベルを確認してください。

どのようにテストしたか

BroadNet のキーは使っていません。2026-11-15 に、上のコードを /v1/audio/transcriptions のローカルモックに対して実行しました。

  1. Node でのエンコーダー。 クリップしたサンプルを 2 つ含む 440 Hz・1 秒のトーンに encodeWav を実行すると、32,044 バイトになりました。Python の wave モジュールは 1 チャンネル、16,000 Hz、2 バイトのサンプル、16,000 フレームと読み取り、ffmpeg は pcm_s16le, 16000 Hz, mono と認識しました。クリップしたサンプルは 32767 と −32768 になりました。
  2. Chromium でのブラウザ経路。 Playwright で偽のマイクを持つヘッドレス Chromium を起動しました。startRecording は 3 秒間を audio/webm;codecs=opus(40,563 バイト)で録音し、toWav16k はそれを 96,044 バイトの WAV(3.0 秒、16 kHz、モノラル)に変換しました。
  3. プロキシ。 WAV も元の WebM も 200 を返しました。モックは毎回、Bearer 認証、アラビア語モデルの ID、language=ar、16 kHz モノラルの audio/wav ファイルを受け取りました。WebM はサーバーの ffmpeg で変換されました。26,214,401 バイトの WAV は上流を呼ばずに 413 になりました。音声でない本文は 400 になりました。
  4. 非セキュアなオリジン。 マシンの LAN アドレスから通常の HTTP で読み込むと、ページは isSecureContext を false と報告し、startRecording は TypeError ではなく、こちらで用意した HTTPS のメッセージを投げました。

Safari と Firefox、そして実際の文字起こしはテストしていません。リリース前に実機の iPhone で試してください。

費用はいくらですか?

BroadNet は文字起こしを音声 1 分単位で課金します。Transcribe Arabic は $0.0042、多言語モデルは $0.002 です。アラビア語のボイスメッセージ 1 時間分は $0.25 です。どちらも $5 の初回クレジットで使え、アラビア語なら約 1,190 分をまかなえます。自分の利用量での見積もりには音声認識コスト計算ツールを使ってください。アラビア語音声認識 API の選び方ガイドではプロバイダーを比較しています。

BroadNet Inference の位置づけ

BroadRouter は BroadNet 自身のサイトです。BroadNet Inference はアップロードされたファイルを文字起こしします。WAV または MP3、1 ファイル 1 リクエストで、テキストを含む JSON レスポンスを返します。ライブやストリーミングの文字起こし、タイムスタンプ、話者ラベルはドキュメントに記載がありません。ユーザーが話している最中に文字を表示したいアプリなら、ストリーミング音声 API を持つプロバイダーを使ってください。ボイスメッセージ、メモ、フォームのように、録音してから送る用途なら、上のアップロードの流れで十分です。セットアップはアラビア語音声認識 API ガイドに、フィールドは API リファレンスにあります。プライバシーステートメントでは、音声と文字起こし結果は保持されないとしています。

よくある質問

MediaRecorder の WebM ファイルをそのまま音声認識 API に送れますか?

API が WebM を受け付ける場合に限ります。OpenAI の文字起こしエンドポイントは対応形式に webm と mp4 を挙げています。BroadNet は WAV と MP3 のみなので、先に変換してください。ブラウザなら Web Audio API、サーバーなら ffmpeg -i in.webm -ar 16000 -ac 1 out.wav です。

getUserMedia で navigator.mediaDevices が undefined になるのはなぜですか?

ページがセキュアコンテキストではないためです。MDN によると getUserMedia は HTTPS、localhost、file URL でしか動きません。別のホストから通常の HTTP で開くと navigator.mediaDevices 自体が存在しません。ページは HTTPS で配信してください。開発中は localhost で問題ありません。

25 MB のアップロード上限に WAV で何分入りますか?

16 kHz モノラル 16 ビットの WAV は 1 秒あたり 32,000 バイト、これに 44 バイトのヘッダーが付きます。BroadNet の上限 26,214,400 バイトには約 819 秒、つまり 13 分 39 秒分が入ります。MP3 や低いサンプルレートならもっと入ります。長い音声は分割してください。

iPhone で無音の録音から「Thank you」や「Bye」が返ってくるのはなぜですか?

OpenAI のフォーラムでは、無音や壊れた録音から短い架空のフレーズが返るという報告があり、iOS のケースは空の dataavailable チャンクが原因と突き止められました。サイズ 0 のチャンクを除外し、timeslice 付きで録音を開始することで解決しています。アップロード前に長さを確認してください。

ブラウザから文字起こし API を直接呼び出すべきですか?

いいえ。API キーを含め、フロントエンドのコードにあるものはすべてユーザーが読めます。音声は自前のエンドポイントに POST し、そこでサイズと形式を確認し、環境変数からキーを付けて転送してください。

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