2026年のアラビア語音声文字起こしAPI：湾岸、エジプト、レバント、マグリブ方言の文字起こしテスト方法

アラビア語音声文字起こしAPI は、録音されたアラビア語の音声を、ソフトウェアで検索、要約、保存可能なアラビア文字のテキストに変換します。困難な点は方言です。湾岸、エジプト、レバント、マグリブの方言は現代標準アラビア語とは異なり、話者は英語を混ぜて話します。ご自身の音声を用いて単語誤り率（WER）をテストすることで、最適なサービスを選択してください。BroadNet Inference API は、音声を保存することなく、これらの各方言のアラビア語を音声1分あたり$0.0042で文字起こしします。

この表はガイドの要約版です。アラビア語文字起こしサービスを比較する際のチェックリストとしてご活用ください。

なぜアラビア語の音声認識は英語よりも難しいのでしょうか？

アラビア語の音声認識が難しい理由は、一つの書き言葉の標準に対して多くの話し言葉のダイアレクト（方言）が存在し、さらに書き言葉のアラビア語では通常、短母音が省略されるためです。システムはダイアレクトの音や単語を聞き取り、その上で単一の標準が存在しない綴りで書き起こさなければなりません。

Open Universal Arabic ASR Leaderboard paperの著者らは、3つの原因を挙げています。それは、豊かな形態論、方言のバリエーション、そして書き言葉におけるダイアクリティカルマーク（発音区別符号）の欠如です。また、フォーマルな場面では現代標準アラビア語が使用される一方で、地域ごとの方言は発音と語彙の両方において異なるとも指摘しています。

実際、これは文字起こしシステムにおいて4つの問題を引き起こします：

• 方言の語彙。 湾岸、エジプト、またはモロッコの方言の話者は、ニュース番組の標準的なアラビア語には決して現れない日常語を使用します。
• 綴りの選択。 同じ方言の単語でも、複数の書き方が存在することがあります。
• コードスイッチング。 話者が一つの文章の中で、アラビア語と英語、あるいはアラビア語とフランス語の間を行き来します。
• ノイズの多い音声。 通話、街頭録音、ボイスメッセージは、スタジオでの音声よりもはるかに困難です。

数値はその差を物語っています。2026年11月8日に確認されたOpen Universal Arabic ASR Leaderboardでは、最高スコアのシステムでもCommon Voiceテストセットにおいて約5%のWERでした。10の方言を含むサウジアラビアのテストセットであるSADAにおける最高スコアは約29%でした。全39システムを通じて、SADAスコアは最大89%に達しました。

お客様の音声にはどの方言が含まれていますか？

まずは、お客様が実際に話している方言をリストアップすることから始め、テストセットがそれぞれの方言を網羅していることを確認してください。

ほとんどの購入者は、以下のグループを組み合わせたものを必要としています：

• 湾岸方言（ハリージー）: サウジアラビア、UAE、カタール、クウェート、バーレーン、オマーン。サウジアラビア国内には強力な地域バリエーションが存在します。
• エジプト方言： エジプト、および地域の映画やテレビで広く使用されています。
• レバント方言： レバノン、ヨルダン、パレスチナ。
• イラク方言： 一部のサービスでは個別にリスト化されていない、独自のグループです。
• マグリブ方言： モロッコ、アルジェリア、チュニジア。多くのフランス語からの借用語が含まれます。
• 現代標準アラビア語： ニュース、演説、公式発表、および朗読テキスト。

Casablanca datasetは、エミレーツ、エジプト、ヨルダン、モロッコ、アルジェリアを含む8つの方言の書き起こし音声を集めており、コードスイッチングのラベルが付いています。ArzEn corpusには、38人のバイリンガル話者による12時間の自然なエジプト・アラビア語と英語のコードスイッチング音声が含まれています。

コードスイッチングは、強力なシステムにとっても依然として困難な課題です。公開されているアラビア語と英語のバイリンガル・リーダーボードでは、上位のシステムでも、ArzEnのエジプト・アラビア語と英語が混在した音声に対するスコアは約30% WERにとどまりました。同じシステムがFLEURSのアラビア語読み上げ音声に対して出したスコアは約6%でした。通話者が言語を混ぜて使用する場合は、その音声をテストに含めてください。

アラビア語の文字起こし精度をどのように測定しますか？

人間が確認したリファレンス（正解）の文字起こしデータを用いて、独自の録音サンプルに対する単語誤り率（WER）および文字誤り率（CER）を測定してください。公開されているリーダーボードは、候補を絞り込むための参考としてのみ活用してください。

WERは、システムが置換、削除、または挿入した単語の数を、リファレンスの単語数で割ったものです。CERは、文字レベルで同様の計算を行います。アラビア語においては、CERが有用です。なぜなら、ハムザのようなわずかな綴りの違いが、WERでは単語全体の誤りとしてカウントされますが、CERでは1文字の誤りとしてのみカウントされるからです。

以下の手順に従ってください：

1. 1方言ごとに1〜3時間の実際の音声を収集してください。通話、ボイスメモ、またはメディアファイルで、本番環境で送信するものと同じ品質のものを用意してください。
2. 2ネイティブスピーカーに、アラビア文字によるリファレンス（正解）の文字起こしを作成してもらいます。作業を開始する前に、綴りのルールについて合意しておいてください。
3. 3スコアリングを行う前に、両方のテキストを同じ方法で正規化してください。リーダーボードの論文では、句読点とダイアクリティカルマーク（発音記号）を削除し、ハムザとマッダの形式を正規化し、東アラビア数字を西アラビア数字に変換しています。
4. 4単一の平均値だけでなく、方言ごとにWERとCERを報告し、同じ設定・同じファイルを用いて各システムを評価してください。
5. 5数値、名称、製品コードは手動で確認してください。WERが低くても、10個の小さな誤りよりも重大な、1桁の誤りが隠れている可能性があります。
6. 6数ヶ月ごとにテストを繰り返してください。新しいモデルが頻繁に登場し、リーダーボードの順位は常に変動します。

公開された数値の背景にある条件を必ず確認してください。リーダーボードでは、700以上のYouTubeチャンネルから約1,000時間の音声を集めたMASCや、SADAなどのマルチ方言テストセットが使用されています。クリアな音読音声によるスコアは、ノイズの多い通話についてはほとんど何も示しません。

正確性以外に、何をチェックすべきでしょうか？

出力内容、到達速度、対応しているファイル形式、および音声の処理場所を確認してください。これらの詳細によって、文字起こしがワークフローに適しているかどうかが決まります。

• 話者ラベル（ダイアリゼーション）。 通話品質のレビューでは、誰が何を話したかを知る必要があります。サービスが話者をラベル付けしない場合は、エージェントと顧客を別々のチャンネルに分けたステレオ形式で通話を録音し、各チャンネルを文字起こししてください。
• タイムスタンプ。 メディアの字幕や音声検索には、単語またはセグメントの時間情報が必要です。構築を開始する前に、レスポンス形式を確認してください。
• バッチ処理またはリアルタイム。 夜間の通話分析にはスループットが必要です。リアルタイムのAIエージェントには、迅速な回答が求められます。
• ファイル形式とサイズ。 対応している形式と最大ファイルサイズを確認し、長い録音データは分割する計画を立ててください。
• データ保持。 音声データや文字起こしデータが保存、ログ記録、または学習に使用されるかどうかを確認し、その回答を文書で取得してください。
• 処理リージョン。 多くの銀行、政府機関、医療機関は、データを特定の国または地域内に保持する必要があります。どの規則が適用されるか、法務チームに確認してください。

アラビア語の音声文字起こしは、どのような場面で効果を発揮しますか？

アラビア語の文字起こしは、テキスト入力よりも発話が多い場面、つまりコンタクトセンター、メディアアーカイブ、音声メッセージなどで効果を発揮します。いずれの場合も、文字起こしデータは検索、確認、および他のツールへの入力が可能なデータとなります。

• コンタクトセンターの品質管理（QA）。 サンプリングではなく、すべての通話を文字起こししてください。苦情に関するキーワードを検索し、エージェントが必須の定型文を読み上げているかを確認します。
• メディアおよびアーカイブ。 インタビュー、ポッドキャスト、放送内容を検索可能にします。
• WhatsAppボイスノート。 お客様はテキスト入力の代わりにボイスノートを送信することがよくあります。これらを文字起こしすることで、サポートチームやAIエージェントが内容を読み、ルーティングし、回答することが可能になります。
• 音声エージェント。 AIエージェントが正しく動作するためには、電話番号、金額、または日付を正確に聞き取る必要があります。

文字起こしデータを活用したAIエージェントの導入を検討されている場合は、エンタープライズ向けエージェントAIプラットフォームおよびホスピタリティ、小売、ヘルスケア向けのターンキー型AIエージェントに関するガイドをご覧ください。

BroadNet Inference APIはどのようにアラビア語を文字起こしするのですか？

BroadNet Inference APIは、BroadNetが運用するGPU上で音声、ドキュメント、チャットモデルを実行するAPIです。アラビア語の音声の場合、アラビア語モデルとlanguage=arを指定して文字起こしエンドポイントにファイルを送信すると、アラビア文字のテキストが返されます。一般的なchat-completionsおよびaudio-transcriptionsのリクエスト形式を使用しているため、ベースとなるURLを変更するだけで、既存のクライアントライブラリがそのまま利用可能です。

これらの情報はBroadNet.AI自身のページに基づいています。

• 方言。 Inference APIのページによると、アラビア語モデルは、湾岸、エジプト、レバント、マグリブ、および現代標準アラビア語に対応しています。
• アラビア文字。 当サイトによると、アラビア語モデルはアラビア文字を維持しますが、多言語モデルは混合音声において英語に流れる可能性があります。アラビア語にはアラビア語モデルの使用を推奨しています。
• モデル。 このアラビア語モデルは、Apache-2.0ライセンスの下で20億のパラメータを持つオープンウェイトモデルであり、BroadNetハードウェア上で提供されます。
• 測定された精度。 BroadNet独自のベンチマークにおいて、このモデルは実際のダイアレクト（方言）音声（MASC）で21.1 WER、湾岸・エジプト・レバント地域のセットで23.4、標準的な音読音声（FLEURS Arabic）で3.8を記録しました。
• 公開ランキング。 2026年11月8日、Open Universal Arabic ASR Leaderboardにおいて、同じベースモデルが39システム中4位にランクされ、平均WERは24.19%でした。
• 速度。 BroadNetの報告によると、1ストリームあたりリアルタイムの45倍、リクエストを並列で送信した場合にはリアルタイムの約190倍に達します。
• リクエストに応じたファインチューニング。 実際の通話音声でトレーニングされたBroadNetのファインチューニングモデルは、電話回線やノイズの多いボイスメモに含まれる電話番号、金額、日付、注文コード、名前を対象としています。これはプライベートモデルIDとして発行され、お客様独自の録音データを使用してさらにチューニングすることも可能です。
• チャットおよびドキュメント。 同じAPIは、アラビア語および英語のドキュメントを読み取り、JSONフィールドを返すGemma 4 VL 26Bを含むビジョン言語モデルにも対応しています。

データに関しては、データ取り扱い声明において、プロンプト、音声、画像、およびトランスクリプトは1回のリクエストの間のみメモリに保持され、その後破棄されると記載されています。コンテンツはログに記録されず、トレーニングにも使用されません。また、自動監査によって1時間ごとにこの設定がチェックされます。BroadNetは、タイミング、トークン数、コストなどのコンテンツを含まない記録のみを保持します。処理は米国のBroadNetが運用するハードウェアで行われ、リクエストに応じて中東・北アフリカまたは欧州でのリージョン処理も可能です。

より大規模なワークロードや規制対象のワークロードについては、プライベートエンドポイントを利用することで、専用のGPUまたはノード、選択したモデル（アラビア語ファインチューニングモデルを含む）、独自のキーと制限、および必要なリージョンを提供いたします。

BroadNetでのアラビア語文字起こし料金はいくらですか？

公開されているアラビア語モデルの料金は音声1分あたり$0.0042で、1時間あたり約$0.25です。新規アカウントには、クレジットカード登録不要で30日間有効な$5分の無料クレジットが付与されます。料金ページによると、このクレジットでアラビア語の音声文字起こしを約19時間利用できます。

例えば、月間10,000分の通話（アラビア語）を公開されているアラビア語モデルで行う場合、公開料金では$42となります。ボリュームディスカウントおよび予約容量の料金については、お問い合わせください。

BroadNet Inference APIで提供されていない機能

APIはファイルベースの文字起こしおよびモデルサービングサービスであり、購入者が期待する一部の機能についてはドキュメント化されていません。

• 話者ラベルやタイムスタンプのドキュメント化はされていません。 モデルのページでは、出力はJSON形式の、またはプレーンテキストの、アラビア文字テキストとして記載されています。
• ライブストリーミング文字起こしのドキュメント化はされていません。 1リクエストにつき1つのオーディオファイルをアップロードする必要があります。ストリーミングはチャットについては記載されていますが、オーディオについては記載されていません。
• 方言リスト。 イラク方言やその他の地域的なバリエーションは、サイト上で個別に名称が記載されていません。お客様自身のオーディオを使用してテストしてください。
• フォーマットとサイズ。 開発者リファレンスでは、最大ファイルサイズ26,214,400バイト（25 MiB）のWAVおよびMP3が記載されています。モデルのページにはM4A、OGG、FLACも記載されていますが、リファレンスでは、他のコンテナはまだ直接のAPI用としてはドキュメント化されていないとされています。安全のため、WhatsAppのボイスメモはWAVまたはMP3に変換してください。
• デフォルトのリージョン。 標準的な処理は米国で行われます。リージョン指定の処理にはリクエストが必要です。
• 制限事項。 Pay-as-you-go（従量課金）キーでは、1分間に30リクエスト、同時に4リクエストまで可能です。また、1つのアカウントで最大10個のライブキーを保持できます。
• アクセスの微調整。 通話に最適化されたアラビア語モデルはセルフサービス形式ではありません。音声サンプルをご提供いただいた上で、アクセスをご依頼ください。

開始方法を教えてください。

アカウントを作成する前に、ご自身の声でアラビア語モデルを試聴することができます。

1. 1voice playgroundを開きます。最大1分間の音声を録音するか、ボイスノートをアップロードしてください。サインアップやカード登録は不要です。
2. 2inference.broadnet.aiにて、Googleまたはメールで届くサインインリンクを使用してアカウントを作成してください。カード登録なしで5ドルのクレジットが付与されます。
3. 3アカウント内でAPIキーを作成します。キーが他の場所から拒否されるよう、サーバーのIPアドレスを追加してください。
4. 4developer referenceに従ってください。ベースのURLをhttps://inference.broadnet.ai/v1に設定し、一般的なchat-completions形式をサポートするクライアントライブラリを使用してください。
5. 5各ファイルをアラビア語モデルIDおよびlanguage=arとともに/v1/audio/transcriptionsに送信します。language=arを指定しない場合、モデルがアラビア語をラテン文字で記述する可能性があります。
6. 6方言ごとにWERとCERのテストを実行してください。必要に応じて、通話に最適化されたモデルまたはプライベートエンドポイントをリクエストしてください。

BroadNet.AIはBroadNet Groupブランドの一つです。文字起こしを活用したエージェントの導入については、BroadNet AIおよびBroadNet.AIによる14市場におけるアラビア語方言のバリエーションに関する注記を参照してください。

今すぐご自身のオーディオでお試しください。 BroadNet Inference APIを開き、お客様の方言でボイスメモを録音すると、数秒で文字起こしが完了します。その後、5ドルの無料クレジットを使用して、実際の通話約19時間分をテストできます。プラットフォームの全機能については、BroadNet.AIをご覧ください。

よくある質問

最高のアラビア語音声文字起こしAPIは何ですか？

最高のアラビア語音声文字起こしAPIとは、お客様自身の音声、かつお客様の方言においてエラー率が最も低く、かつ継続可能な価格であるものです。公開されているリーダーボードは頻繁に変動するため、候補を絞り込むためにのみ使用してください。その後、同じ録音データを使用して2〜3社のサービスをテストしてください。BroadNet Inference APIでは、このようなテストのために無料のブラウザデモと5ドルのクレジットを提供しています。

音声認識はアラビア語の方言を理解できますか？

はい、最新の音声認識モデルは主要なアラビア語の方言を文字起こしできますが、精度は方言や録音の品質によって大きく異なります。公開されているベンチマークでは、サウジアラビア方言の音声は、音読された音声よりもエラー率が大幅に高いことが示されています。現在は、湾岸、エジプト、レバント、マグリブのアラビア語が一般的にサポートされています。より小規模な地域的なバリエーションについては、テストや微調整されたモデルが必要になる場合があります。

アラビア語の音声文字起こしの精度はどの程度ですか？

精度は音声の状態に依存します。クリアな音読音声の場合、高性能なシステムであれば単一桁の単語誤り率（WER）を達成できます。ノイズの多い通話や方言による会話では、主要なシステムであっても20%から30%以上の誤り率が一般的です。ご自身の録音データでWERとCERを測定し、数値や固有名詞は手動で確認してください。

アラビア語のWhatsAppボイスノートを文字起こしするにはどうすればよいですか？

ボイスノートのファイルをエクスポートまたは受信し、WAVまたはMP3に変換してから、言語をアラビア語に設定したアラビア語文字起こしAPIに送信してください。検索やルーティングに利用できるよう、アラビア文字を保持するモデルを使用してください。BroadNet Inference APIでは、各ファイルは最大25 MiBまで対応しており、リクエスト後に音声が保存されることはありません。

アラビア語の音声文字起こしは、英語が混ざったアラビア語にも対応していますか？

多くのシステムが対応可能ですが、アラビア語と英語が混在した音声は依然として最も困難なケースの一つです。公開されているバイリンガル・リーダーボードでは、コードスイッチング（言語の切り替え）が発生するエジプト方言のアラビア語と英語において、主要なシステムのスコアは約30%WERでした。テストには混合音声を含め、アラビア語の単語がアラビア文字のまま保持されているかを確認してください。

BroadNet Inference APIを使用する場合、音声は保存されますか？

いいえ。BroadNet.AIでは、音声、プロンプト、および文字起こし内容は1回のリクエストの間のみメモリに保持され、その後破棄されると規定されています。コンテンツがログに記録されたり、学習に使用されたりすることはありません。また、自動監査によって1時間ごとにこれが確認されています。BroadNetは、タイミング、トークン数、コストなどのコンテンツを含まない記録のみを保持します。処理は米国で行われますが、リクエストに応じてMENAまたは欧州での処理も可能です。

BroadNetでのアラビア語音声文字起こしの料金はいくらですか？

公開されているアラビア語文字起こしモデルの料金は、音声1分あたり$0.0042、1時間あたり約$0.25です。通話音声で学習させたファインチューニングモデルは、1分あたり$0.005で、リクエストに応じて利用可能です。新規アカウントには$5分の無料クレジットが付与されます。クレジットカードの登録なしで30日間有効で、アラビア語音声約19時間分に相当します。