---
title: "テキスト・音声・画像 AI の選び方：モデルではなくタスクで | BroadRouter"
description: "テキストチャット、画像入力、音声の文字起こしをタスクで選びます。BroadNet が文書化しているモデルと制限、そして TTS など提供していない機能も紹介します。"
url: https://broadrouter.com/ja/blog/text-speech-vision/
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/text-speech-vision/)（2026-11-15 更新）。

# テキスト、音声、画像のどれを使う？まずタスクから考える

BroadNet Inference チーム · 約 7 分で読めます · 公開日 2026-11-15

入力と出力から考えます。テキストを入れてテキストを得るならチャット。写真やスキャンを入れてテキストを得るなら、画像を受け付けるモデルでの画像付きチャット。録音を入れてテキストを得るなら文字起こし、音声から回答を得るなら文字起こしの後にチャットです。BroadNet は音声合成、画像生成、埋め込みを提供していません。

## 要点

-   まず入力の種類を決めます。それがエンドポイントを決め、エンドポイントが使えるモデルを決めます。
-   BroadNet では、3 つのチャットモデルが画像を受け付けます（DeepSeek V4.1 Flash、Qwen3.8 27B、Gemma 4 VL 26B）。GLM 5.3 はテキストのみです。
-   音声は最大 26,214,400 バイトの WAV または MP3 ファイルとして /v1/audio/transcriptions に送ります。言語は必ず指定してください。
-   BroadNet には音声合成、リアルタイム音声、画像生成、埋め込みのエンドポイントがありません。必要なら 2 社目のプロバイダーを計画してください。
-   入力の種類ごとに別々の評価セットを作り、音声をチャットモデルにつなぐ場合はチェーン全体用にもう 1 つ作ります。

**このページの内容**

1.  タスクにはどの入力の種類が必要ですか？
2.  チャットと文字起こしの違いは何ですか？
3.  どのモデルが画像を受け付けますか？
4.  コードで入力ごとに振り分けるには？
5.  書類がすでにテキストなら？
6.  コストはどう比べますか？
7.  提供されていないものは何で、代わりにどうすべきですか？
8.  なぜ入力ごとに別々の評価セットが必要なのですか？
9.  BroadNet Inference の位置づけ

「どのモデルを使うべきか」は 2 番目の問いです。最初の問いは「何を入れて、何を出す必要があるか」です。請求書の写真、顧客からのボイスメッセージ、入力された質問は、それぞれ別の種類のエンドポイントに送られ、エンドポイントごとにモデル、制限、失敗の仕方が違います。先にタスクを決めれば、モデルの候補は 2〜3 個に絞られます。

このガイドでは、よくあるタスクを入力の種類に対応づけ、さらに BroadNet Inference がそれぞれについて文書化している内容に対応づけます。BroadRouter は BroadNet 自身のサイトです。以下のモデル情報は BroadNet の[価格フィード](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-text-speech-vision&utm_content=body)と [API リファレンス](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-text-speech-vision&utm_content=body)に基づき、2026 年 11 月 15 日に確認したものです。

## タスクにはどの入力の種類が必要ですか？

| タスク | 入力 | 出力 | エンドポイント | BroadNet のモデル |
| --- | --- | --- | --- | --- |
| テキストへの回答、要約、分類、翻訳 | テキスト | テキスト | Chat completions | 4 つのチャットモデルのいずれか |
| 自分の関数やツールを呼び出す | テキスト | ツール呼び出し | Chat completions | GLM 5.3、Qwen3.8 27B（記載あり） |
| 写真、スキャン、スクリーンショット、帳票を読む | 画像 + テキスト | テキストまたは JSON | 画像付きの chat completions | DeepSeek V4.1 Flash、Qwen3.8 27B、Gemma 4 VL 26B |
| 録音やボイスメッセージをテキストにする | 音声ファイル | テキスト | 音声の文字起こし | Transcribe Arabic、Transcribe（14 言語） |
| 通話を要約する、ボイスメッセージに回答する | 音声ファイル | テキスト | 文字起こしの後にチャット | それぞれ 1 つずつ |
| 回答を読み上げる | テキスト | 音声 | 音声合成 | 提供なし |
| リアルタイムで音声会話する | 音声ストリーム | 音声 | リアルタイム音声 | 提供なし |
| 画像を作る | テキスト | 画像 | 画像生成 | 提供なし |
| 文書をセマンティック検索する | テキスト | ベクトル | 埋め込み | 提供なし |

この表の「画像」は画像理解、つまり送った画像をモデルが読むことを意味し、画像の生成ではありません。違いは用語集の[ビジョン言語モデル](https://broadrouter.com/ja/glossary/vision-language-model/)の項で説明しています。

## チャットと文字起こしの違いは何ですか？

両者はリクエストの形、課金単位、モデルがそれぞれ異なる別のエンドポイントです。

**チャット**（`POST /v1/chat/completions`）は JSON のメッセージ一覧を受け取り、テキストを返します。課金はトークン単位で、入力と出力は別料金です。各モデルには、プロンプトと回答をまとめて収める[コンテキストウィンドウ](https://broadrouter.com/ja/glossary/context-window/)があります。BroadNet では 4 つのチャットモデルのうち 3 つが回答前に推論（reasoning）し、その推論が `max_tokens` に含まれるので、余裕を残してください（[推論トークンと空の回答](https://broadrouter.com/ja/guides/reasoning-tokens-empty-response/)）。

**文字起こし**（`POST /v1/audio/transcriptions`）は音声ファイルをマルチパートのアップロードで受け取り、文字起こし結果を返します。課金は音声の分単位です。BroadNet のドキュメントは、形式を 1 ファイルあたり最大 26,214,400 バイトの WAV または MP3 と定め、`language` を必ず送るよう述べています。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るからです。

| モデル | 言語 | 価格 |
| --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) | アラビア語：BroadNet によれば湾岸、エジプト、レバント、マグレブの各方言と現代標準アラビア語 | 1 分あたり $0.0042（1 時間あたり約 $0.25） |
| [BroadNet Transcribe](https://broadrouter.com/ja/models/cohere-transcribe/) | 英語、スペイン語、フランス語、中国語（普通話）、アラビア語を含む 14 言語 | 1 分あたり $0.002（1 時間あたり約 $0.12） |

BroadNet のチャットモデルは音声を受け取らず、文字起こしモデルは質問に答えません。テキストで返答する音声アシスタントは、文字起こしとチャットの 2 回の呼び出しです。[録音からアラビア語の議事録を作る](https://broadrouter.com/ja/blog/arabic-meeting-minutes-from-recordings/)は、まさにそのチェーンを構築しています。

## どのモデルが画像を受け付けますか？

フィードの `modalities` に `image` があるモデルです。2026 年 11 月 15 日時点：

| モデル | 入力 | コンテキスト | 100 万トークンあたり入力 / 出力 | 利用条件 |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ja/models/deepseek-v4.1-flash/) | テキスト、画像 | 1,048,576 | $0.175 / $0.52 | チャージが必要 |
| [Qwen3.8 27B](https://broadrouter.com/ja/models/qwen3.8-27b/) | テキスト、画像 | 262,144 | $0.175 / $2.17 | チャージが必要 |
| [Gemma 4 VL 26B](https://broadrouter.com/ja/models/gemma-4-vl-26b/) | テキスト、画像 | 32,768 | $0.10 / $0.22 | $5 の初回クレジット |
| [GLM 5.3](https://broadrouter.com/ja/models/glm-5.3/) | テキストのみ | 1,048,576 | $0.78 / $3.46 | チャージが必要 |

画像はメッセージの content の中に `data:` URL として、正確な MIME タイプとともに送ります。BroadNet のドキュメントによると、ビジョンは “only where the model row explicitly says images or vision”（訳：モデルの行に images または vision と明記されている場合のみ）提供されます。受け付ける画像形式はドキュメントに載っていないので、受け付けるつもりの形式はそれぞれテストしてください。従量課金のキーでは画像は入力トークンとして課金され、大きいほど多く使います。送る前に縮小し、[画像トークン計算ツール](https://broadrouter.com/tools/image-token-calculator/)で見積もってください。書類からの抽出を通して扱った記事は[ビジョン LLM で書類からデータを抽出する](https://broadrouter.com/ja/blog/extract-data-from-documents-with-vision-llm/)です。

## コードで入力ごとに振り分けるには？

この関数は、ファイルの種類からエンドポイントを選び、送信前に文書化された制限を確認し、画像対応モデルの一覧をハードコードせずに稼働中のフィードから読み込みます。ベース URL を変えるだけで BroadNet で使える OpenAI Python SDK を使っています（[セットアップガイド](https://broadrouter.com/ja/guides/openai-python-sdk/)）。

```python
import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")
```

`BROADNET_BASE_URL` をローカルのモックサーバーに向け（実際の API 呼び出しはなし）、稼働中の価格フィードを使ってテストしました。テキスト、WAV ファイル、後続タスク付きの WAV ファイル、PNG は、それぞれ正しいモックのエンドポイントに届きました。`chat_model="broadnet/glm-5.3"` で PNG を送ると、リクエストを送る前に拒否され、フィードにある画像対応の 3 つの ID が表示されました。`.ogg` ファイルは、変換用の ffmpeg コマンドとともに拒否されました。その手順は [WhatsApp のボイスメッセージを文字起こしする](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)で扱っています。サイズ上限を超える録音は分割が必要で、[音声分割ツール](https://broadrouter.com/tools/audio-splitter-ffmpeg/)が ffmpeg コマンドを組み立てます。

## 書類がすでにテキストなら？

その場合は画像を送らないでください。会計システムやワープロから書き出した PDF には、たいていテキスト層があります。PDF ライブラリで抽出し、テキストをチャットモデルに送ります。従量課金のキーでは画像より安く、読み違いを避けられ、GLM 5.3 でも使えます。ビジョンは、スキャン、スマートフォンの写真、手書き、印影、スクリーンショットなど、抽出できるテキスト層がないものに取っておきます。

書類パイプラインで役立つルール：まずテキスト抽出を試し、本物のテキストが返ったか（空のページや文字化けでないか）を確認し、だめな場合にだけ画像にフォールバックします。アラビア語の PDF では、信頼する前に抽出したテキストを一部読んでください。PDF の作られ方によっては、アラビア文字が誤った順序や、連結されていない表示形（presentation forms）で抽出されることがあります。画像のほうがよい情報源になるケースは[ビジョン LLM によるアラビア語 OCR](https://broadrouter.com/ja/blog/arabic-ocr-vision-llm/) で扱っています。

## コストはどう比べますか？

入力の種類ごとに課金単位が違うので、リクエスト単位ではなくタスク単位で比べます。

-   **テキスト**は入力トークンと出力トークンで課金されます。同じ内容でもアラビア語は英語より多くのトークンを必要とすることが多く、[アラビア語トークンカウンター](https://broadrouter.com/tools/arabic-token-counter/)で測れます。
-   **画像**は従量課金ではモデルの入力価格による入力トークンなので、大きな写真は 1 ページ分のテキストより高くつくことがあります。DeepSeek のセッションプランでは、画像は定額料金に含まれます。
-   **音声**は話した内容にかかわらず、音声の分単位で課金されます。BroadNet で 30 秒のアラビア語ボイスメッセージ 10,000 件をアラビア語モデルで処理すると約 $21.00 です。ほかの量は[音声認識コスト計算ツール](https://broadrouter.com/tools/speech-to-text-cost-calculator/)で計算できます。

チェーンは各部分の合計です。チャットモデルが回答するボイスメッセージなら、文字起こしの分数に、文字起こし結果と回答のチャットトークンを足した額になります。チャット側は [LLM API コスト計算ツール](https://broadrouter.com/tools/llm-api-cost-calculator/)で扱えます。

## 提供されていないものは何で、代わりにどうすべきですか？

BroadNet の API リファレンスに記載された推論エンドポイントは、chat completions と音声の文字起こしの 2 つです。したがって、次のものはありません。

-   **音声合成（TTS）。** `/v1/audio/speech` はありません。製品が音声で返答する必要があるなら、BroadNet の文字起こしとチャットに別の TTS サービスを組み合わせてください。
-   **リアルタイム音声。** 文字起こしが受け取るのはアップロードされたファイルで、リアルタイムの音声ストリームではありません。通話中に応答しなければならない電話エージェントには、別の場所でリアルタイム音声のスタックが必要です。ファイルベースの代替案は[ブラウザーで音声を録音して文字起こしする](https://broadrouter.com/ja/blog/record-browser-audio-transcription-api/)にあります。
-   **画像生成。** ここでのビジョンは画像を読むもので、作るものではありません。
-   **埋め込み。** `/v1/embeddings` はありません。検索には、他のプロバイダーまたはセルフホストの埋め込みモデルが必要です。価格は[埋め込みコスト計算ツール](https://broadrouter.com/tools/embedding-cost-calculator/)で比較できます。

BroadNet の[研究カタログ](https://www.broadnet.ai/inference/models)には、音声合成、画像生成、埋め込みのモデルが、同社のラボでベンチマーク済みとして載っています。これは BroadNet が何をテストしたかの記録であって、API で何を販売しているかではありません。違いは[モデルカタログの読み方](https://broadrouter.com/ja/blog/understand-model-status/)で説明しています。

## なぜ入力ごとに別々の評価セットが必要なのですか？

入力の種類ごとに失敗の仕方が違い、まとめて平均すると失敗が隠れてしまうからです。

-   **テキスト：** 実際のユーザーメッセージで採点し、可能な箇所はコードでチェックします。方法は[乗り換え前の LLM 評価](https://broadrouter.com/ja/blog/evaluate-llm-before-switching/)にあります。
-   **画像：** 実際の品質の実際の写真を使います。斜めに撮ったスマートフォンの写真、色あせたレシート、文字にかかった印影などです。項目ごとに別々に採点します。きれいな PDF のレンダリング画像は、ユーザーが実際に送ってくる写真よりはるかに高いスコアになります。
-   **音声：** 自分の録音で[単語誤り率（WER）](https://broadrouter.com/ja/glossary/word-error-rate/)を方言、話者、回線品質ごとに分けて測り、重要な語（名前、数字、金額）は別にチェックします。[アラビア語 ASR の WER 解説](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/)を参照してください。
-   **チェーン：** 音声をチャットモデルにつなぐ場合は、両方のステップと最終結果を採点します。聞き間違えた数字は自信満々の誤答になり、それがどれくらいの頻度かはエンドツーエンドのテストでしかわかりません。

セットは分けて保管してバージョン管理し、モデルやプロンプトを変えるたびに該当するものを再実行してください。

## BroadNet Inference の位置づけ

BroadNet Inference は、1 つのキーと 1 つのベース URL でタスク表の最初の 5 行をカバーします。テキストチャット、GLM 5.3 と Qwen3.8 27B でのツール呼び出し、3 つのモデルでの画像理解、そしてアラビア語または多言語の文字起こしです。Gemma 4 VL 26B と 2 つの文字起こしモデルは $5 の初回クレジットで動き、DeepSeek、GLM、Qwen にはチャージが必要です。推論の内容は保持されません。必要なアカウント、課金、セキュリティのメタデータは、BroadNet の[プライバシー声明](https://www.broadnet.ai/inference-privacy)に記載のとおり保持されます。読み上げ、画像生成、リアルタイム音声、埋め込みには別のサービスを使ってください。上記すべての価格は[料金ページ](https://broadrouter.com/ja/pricing/)にあります。

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

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[エンベディング（埋め込み、embeddings）](https://broadrouter.com/ja/glossary/embeddings/)

エンベディング（埋め込み）とは、テキストや画像などの入力を表すためにモデルが出力する浮動小数点数のリスト（ベクトル）です。意味の近い入力ほどベクトルも近いので、その距離で検索結果の順位付け、文書の分類、関連項目の発見ができます。

[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。

[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。

[Chat Completions API（チャット補完 API）](https://broadrouter.com/ja/glossary/chat-completions-api/)

Chat Completions API とは、OpenAI の HTTP エンドポイント POST /v1/chat/completions で、モデル名とロール付きメッセージのリストを受け取り、モデルの次のメッセージを返します。そのリクエストと応答の形は、OpenAI 互換のプロバイダーや SDK が使う共通形式になりました。

[プリペイドクレジット（prepaid credit）](https://broadrouter.com/ja/glossary/prepaid-credit/)

プリペイドクレジットとは、使用前に API アカウントに入金しておくお金です。リクエストごとに費用が残高から差し引かれ、残高がなくなると、チャージするまで従量課金のリクエストは止まります。支出は支払った額までに抑えられます。

[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。

[入力トークンと出力トークン（input and output tokens）](https://broadrouter.com/ja/glossary/input-and-output-tokens/)

入力トークンとは、モデルがリクエストで読むトークンで、システムプロンプト、会話履歴、ツール定義、画像を含みます。出力トークンは、推論を含めモデルが返答として生成するトークンです。LLM API は通常この 2 つを別の単価で課金し、出力のほうが高額です。

## よくある質問

### 画像を扱うにはどの AI モデルを使えばよいですか？

使う API で画像入力を受け付けるモデルです。BroadNet Inference の価格フィードによると、DeepSeek V4.1 Flash、Qwen3.8 27B、Gemma 4 VL 26B がそれにあたり、GLM 5.3 はテキストのみです。画像はチャットメッセージの中に data URL として送ります。

### チャットモデルで音声を文字起こしできますか？

BroadNet Inference ではできません。音声は文字起こしモデルとともに文字起こしエンドポイント /v1/audio/transcriptions に送ります。その後で要約や回答が必要なら、2 つ目のステップとして文字起こし結果をチャットモデルに送ります。

### BroadNet Inference は音声合成や画像生成を提供していますか？

いいえ。API リファレンスに記載されているのは chat completions と音声の文字起こしだけです。音声合成や画像生成のモデルは BroadNet の研究カタログにベンチマーク済みとして載っていますが、それは提供されていることとは違います。

### BroadNet が受け付ける音声形式は？

WAV（audio/wav）または MP3（audio/mpeg）で、1 ファイルあたり最大 26,214,400 バイトです。WhatsApp の .ogg ボイスメッセージなど他の形式は先に ffmpeg で変換し、language パラメーターは必ず送ってください。

### 画像はどう課金されますか？

従量課金のキーでは、BroadNet は画像をモデルの入力価格で入力トークンとして課金し、画像が大きいほど多くのトークンを使います。DeepSeek のセッションプランでは、画像は定額料金に含まれます。

## 続けて読む

-   [ビジョン LLM で請求書・領収書・帳票のデータを JSON に抽出する](https://broadrouter.com/ja/blog/extract-data-from-documents-with-vision-llm/)
-   [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/)
-   [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/)
-   [最安の画像対応 LLM API：画像 1 枚・1 ページあたりのコストを計算](https://broadrouter.com/ja/blog/cheapest-vision-llm-api/)
-   [アラビア語の会議録音から議事録を作る：API パイプライン](https://broadrouter.com/ja/blog/arabic-meeting-minutes-from-recordings/)
-   [提供中・要相談・研究用：モデルカタログを正しく読む](https://broadrouter.com/ja/blog/understand-model-status/)
-   [プロバイダーを乗り換える前に LLM を評価する方法](https://broadrouter.com/ja/blog/evaluate-llm-before-switching/)
-   [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：ビジョンモデルでアラビア語の請求書とレシートを読み取る](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/)
-   [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：OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/)

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-text-speech-vision&utm_content=page-cta) ·

**出典**

-   [BroadNet Inference API リファレンス：モデル ID、画像付きチャット、文字起こしの形式とサイズ、機能のステータス（2026-11-15 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-text-speech-vision&utm_content=sources)
-   [BroadNet Inference pricing.json：モデルごとのモダリティ、言語、価格（2026-11-15 確認）（英語）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-text-speech-vision&utm_content=sources)
-   [BroadNet Inference モデルカタログ：稼働中のモデルと、ベンチマーク済みとして掲載された音声合成・画像モデル（2026-11-15 確認）（英語）](https://www.broadnet.ai/inference/models)
-   [BroadNet Inference のプライバシーとデータ保持に関する声明（2026-11-15 確認）（英語）](https://www.broadnet.ai/inference-privacy)
