Speech-to-Text API

文字起こし、翻訳、字幕、分析を1つのAPIで

多くの音声認識APIは生のテキストを返すだけですが、Sonix APIは次の開発にすぐ使える構造化された文字起こしを返します。

以下の機能はすべてドキュメント化されたエンドポイントです。取得した文字起こしは、APIの外に出ることなく字幕、翻訳、編集済みの音声クリップ、要約に変換できます。

バッチ文字起こし

ファイルを/v1/mediaにPOSTするか、100MBを超えるファイルはfile_urlを渡すだけで、Sonixが非同期で文字起こしします。言語を指定し、keywordsで固有名詞や専門用語の認識を補正し、custom_dataで自社のIDを付与し、callback_urlを指定すれば、ジョブの完了や失敗をSonixがすぐにサーバーへ通知します。話者ごとに別チャンネルで収録した音声には、チャンネル単位で話者を判別するマルチトラック用エンドポイントを使えます。

翻訳

文字起こしが完了したら、翻訳先の言語コードをtranslationsエンドポイントにPOSTするだけで、Sonixが54以上の言語のいずれかに翻訳した文字起こしを返します。文字起こしの各エンドポイントはlanguageパラメーターを受け付けるため、英語のインタビューのスペイン語SRTファイルも、翻訳完了後は1回のGETリクエストで取得できます。

字幕とキャプション

SRTとVTTのエンドポイントは、本格的な表示制御付きの字幕ファイルを返します。max_charactersとmax_durationで字幕ごとの文字数と表示時間の上限を、subtitle_linesで1行か2行かを、speaker_displayで話者名の表示方法を指定できます。splitエンドポイントは、max_cpsの読み取り速度の上限内で文字起こし全体を字幕に再分割し、burn-inエンドポイントは、フォント、サイズ、色、アスペクト比（SNS向けの9:16や1:1を含む）を指定して字幕を動画に直接焼き込みます。

エクスポートと構造化データ

どの文字起こしも、単語ごとの開始・終了時間と話者ラベル付きのJSON、プレーンテキスト、そのまま共有できるWord文書やPDF、SRTやVTT、動画編集者向けのAvid DSファイルとして取得できます。メディアエクスポートのエンドポイントはさらに一歩進み、音声や動画そのものをハイライト部分だけに切り出したり、取り消し線を引いた部分をすべて削除したりして、MP3、WAV、MP4で書き出します。

AI分析

summarizationエンドポイントは、完成した文字起こしを分析します。文数を指定できる要約、チャプター、感情分析、テーマ・トピック分析、エンティティ抽出のほか、「このポッドキャストの宣伝ツイートを5本書いてください」のような独自のプロンプトも実行できます。

コールバックとWebhook

ポーリングのループは不要です。メディアと要約のジョブはcallback_urlを受け付け、処理が完了または失敗した時点でSonixがジョブのステータスをPOSTします。大規模に自動化するチーム向けに、ProとEnterpriseプランではイベントWebhookが追加されます。文字起こし完了、翻訳完了、ラベルやフォルダーの変更、墨消しの適用を購読でき、各通知はX-Webhook-SignatureヘッダーでHMAC-SHA256署名されるため、すべてのペイロードがSonixから送られたものかをサーバー側で検証できます。

リアルタイムストリーミング

ライブキャプションや低遅延の音声テキスト変換向けに、SonixはWebSocketによるストリーミングAPIを、エンタープライズチーム向けのアーリーアクセスとして提供しています。お申し込みはリアルタイム文字起こしのページから行えます。バッチ文字起こしは現在、ドキュメントが完全に整備され、セルフサービスでご利用いただけます。

3回のAPI呼び出しで、音声ファイルから文字起こしまで

https://api.sonix.ai/v1 にBearerトークンで認証し、ファイルを送信して、必要な形式で文字起こしを取得します。

ファイルを送信

メディアをmultipartフォームデータとして、言語、名前、任意のkeywordsとcustom_dataと一緒に送信します。

curl -XPOST https://api.sonix.ai/v1/media -H "Authorization: Bearer <API Key>"  \
    -F file=@my_audio.mp3 \
    -F language=en \
    -F name='Podcast Episode 45' \
    -F keywords='Sonix, Bergamasco, Kairos, Chewbacca' \
    -F custom_data='{"internal_id": "123412", "customer_email": "[email protected]"}'

ステータスを確認、またはコールバックを待つ

statusがcompletedになるまでメディアオブジェクトをポーリングするか、この手順を省いてcallback_urlへの通知を待ちます。

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5 -H "Authorization: Bearer <API Key>"

タイムスタンプ付きの文字起こしを取得

JSONの文字起こしをリクエストします。拡張子を.srt、.vtt、プレーンテキストに変えれば、その形式で取得できます。

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5/transcript.json -H "Authorization: Bearer <API Key>"

多言語の録音ですか？language=multiを指定し、想定される言語をlanguage_hintsに列挙してください。パラメーターの完全なリファレンス、レスポンス本文、エラーコードはAPIドキュメントに掲載しています。

開発か導入か: 文字起こしAPIか、Whisperの自社運用か

オープンソースの音声モデルの登場で、文字起こしの自社運用は現実的な選択肢になり、それが正解のチームもあります。ただし多くのチームにとって、モデルは作業全体のごく一部にすぎません。

自社運用にかかる本当のコスト

モデルのダウンロードは無料でも、本番運用は無料ではありません。自社運用には、ジョブの合間は遊んでいて負荷の急増時には落ちてしまうGPUリソース、リトライと障害処理を備えたキュー、音声を安全に保管するストレージ、そしてそのすべての監視が必要です。オンコール体制を伴う、終わりのないインフラ案件になります。文字起こしAPIなら、コストは実際に処理した音声に対する料金だけで、連携は上記の3回の呼び出しで完了します。

モデルの周りに作り直すもの

生の音声モデルが返すのはテキストですが、製品にはテキスト以上のものが必要です。話者ラベル、読み取り速度の上限を守った字幕の改行、翻訳、焼き込み字幕、メディアのエクスポート、要約は、それぞれモデルの周りに個別に構築・保守するシステムです。Sonix APIは、ドキュメント化された1つのインターフェースでそのすべてを返します。

精度と言語対応の維持

自社運用のモデルはデプロイした時点のチェックポイントのままで、更新のたびに自社の音声で再ベンチマークする移行作業を自分たちで抱えることになります。SonixはAPIの裏側のモデルを保守し、54以上の言語でクリアな音声なら精度99%を実現します。複数言語が混在するファイルも1回のリクエストで処理でき、リクエストごとにkeywordsを渡せるため、何も学習させずに固有名詞や専門用語の認識を補正できます。

コンプライアンスは製品に含まれています

お客様の音声がパイプラインを通るなら、監査人もそこを見ます。SonixはSOC 2 Type II認証を取得し、BAA締結によりHIPAAに、DPAとSCCによりGDPRに準拠しています。データは転送時にTLS、保存時にAES-256で暗号化され、モデルの学習に使われることはありません。詳細はセキュリティページをご覧ください。

自社運用が適しているケース

自社運用が有利なのは、契約上音声を自社インフラの外に出せない場合、エアギャップ環境を運用している場合、またはモデルのカスタマイズを本業とするMLチームがいて、安定した処理量で専用GPUを常に稼働させられる場合です。どれにも当てはまらなければ、APIのほうが早く本番に到達できます。導入前に無料トライアルで、ご自身の音声で違いを確かめてください。

Sonix APIでチームが構築している4つのもの

ほとんどの連携は4つのパターンのいずれかに当てはまり、どれも上記のドキュメント化されたエンドポイントで動きます。

メディア・コンテンツのパイプライン

文字起こしをCMSや動画パイプラインに組み込めば、アップロードのたびに検索可能な文字起こしと、原語と翻訳のSRTやVTT字幕が作成されます。メディアチームはこれにより、手作業の字幕付け工程なしでアーカイブ全体を検索可能かつアクセシブルにしています。

会議・通話プラットフォーム

録画した会議や通話を話者ラベル付きで文字起こしし、それぞれに要約、チャプター、感情分析を実行できます。話者ごとに別チャンネルで収録されていれば、マルチトラックのエンドポイントがオペレーターと顧客を正確に分離します。品質管理やコンプライアンスのレビューに必要なのはまさにこれです。

調査・分析ツール

インタビューやフォーカスグループを届いた順に送信し、話者ラベルとタイムスタンプ付きの文字起こしを受け取って、それぞれに必要な分析を実行できます。タイムスタンプがあるため、どの引用も元の録音の該当箇所までたどれます。

アクセシビリティのワークフロー

文字数、表示時間、読み取り速度の実際の表示上限を守った字幕を生成し、字幕に対応していないプラットフォーム向けには動画に焼き込み、海外の視聴者向けには翻訳できます。医療機関や公共部門のチームは、SonixのSOC 2 Type II認証済み、HIPAA準拠のインフラ上でこれを運用しています。

コード不要: MCPサーバー、CLI、Zapier

すべての連携がアプリケーションとは限らないため、SonixはAIアシスタント向けのMCPサーバー、コマンドラインツール、Zapierアプリも提供しています。

https://api.sonix.ai/mcp のSonix MCPサーバーを使えば、Claude、ChatGPT、Cursor、CodexなどのMCP対応アシスタントが、お客様に代わってメディアライブラリを閲覧し、文字起こしを会話に取り込み、エクスポートを生成できます。読み取り専用で、サインインはブラウザでのOAuth 2.1です。接続を一度承認するだけで、APIキーを貼り付ける必要はありません。

スクリプト用途には、公式のSonix CLI（npm install -g @sonix-ai/cli）がREST APIをターミナルコマンドで操作できるようにします。--waitでジョブの完了までポーリング、--jsonで他のツールへパイプ、--formatでtxt、SRT、VTT、JSON、Avid DSの出力を指定できます。AIコーディングエージェントにも対応しており、sonix agent-contextを1回呼び出すだけで全コマンドをJSONで出力します。セットアップ方法はCLIドキュメントをご覧ください。

コードを一切書きたくない場合は、ZapierのSonixでSonixを数千のアプリと連携できます。すべてのネイティブ連携は連携ページに掲載しています。

APIの料金はWebアプリと同じです

API専用の料金表はありません。APIの利用はWebからのアップロードと同じ時間枠を消費し、処理した音声に対して秒単位の按分で課金されます。

APIアクセスはCore、Advanced、Pro、Enterpriseプランに含まれます。Coreは月額$25で、5時間の文字起こしと翻訳が含まれ、どのプランでも追加時間は1時間あたり$10です。ProとEnterpriseプランではイベントWebhookが追加され、文字起こしの準備が整った瞬間にシステムが反応できます。すべてのプランは料金ページで比較できます。

規制対象の音声に向けたセキュリティ

APIは、SonixのSOC 2 Type II、HIPAA、GDPRへの対応を支えているのと同じインフラで動いています。

データは転送時にTLS、保存時にAES-256で暗号化されます。新しいAPIキーはいつでもアカウントから発行でき、お客様の音声と文字起こしがモデルの学習に使われることはありません。認証と契約についてはセキュリティページをご覧ください。