バッチ
録音ファイル向けの文字起こし API
ファイルをアップロードするか、URL を送信します。話者ごとに分かれたテキストが、各行の開始・終了時刻付きで返ります。JSON、SRT、VTT、TXT で書き出せます。
アップロードは 20 MB まで。それより長い録音は URL で送信してください。
音声認識 API
録音にもリアルタイム音声にも使える文字起こし API
ファイルを送ると、話者ラベルとタイムスタンプ付きの文字起こしが返ります。ライブ音声をストリーミングすれば、話している最中にテキストが届きます。150以上の言語に対応し、言語は自動で判別します。
call-en.mp30:13 / 0:13
Python
from camb.結果200 OK
{ "transcript": [{ "start": 0.50, "end": 3.09,"text": "Can you walk me through the delivery timeline?","speaker": "SPEAKER_0" },{ "start": 3.79, "end": 5.83,"text": "We can ship it next Wednesday.","speaker": "SPEAKER_1" },{ "start": 6.53, "end": 8.75,"text": "Does that include customs clearance?","speaker": "SPEAKER_0" },{ "start": 9.45, "end": 12.54,"text": "Yes. Everything is included in the price.","speaker": "SPEAKER_1" }] }音声を取り込むあらゆる方法に、ひとつの API
CAMB.AI の音声認識 API は、自動音声認識（ASR）で話し言葉をテキストに変換します。録音ファイルを送れば全文の文字起こしを、音声をストリーミングすればリアルタイムのテキストを取得できます。どちらも同じ API キーひとつで、自社のコードからも Studio からも使えます。
ブラウザだけでなく、自分のアプリの中で動く音声認識 API をお探しですか？それがこの API です。
録音ファイルか、リアルタイム音声か
リアルタイム
WebSocket で使えるリアルタイム音声認識 API
開発者向けのストリーミング音声認識 API です。WebSocket を開いてアプリから生の音声をストリーミングすると、話している最中に途中経過の文字起こしが届き、その後に単語単位のタイムスタンプ付きの最終結果が返ります。ライブ字幕、音声アプリ、AI エージェントに最適です。
すべての録音ファイルで話者分離
API が誰がいつ話したかを判別し、各行に「話者 1」「話者 2」とラベルを付けます。高速モードと低速モードのどちらにも組み込まれていて、設定は不要。インタビュー、会議、ポッドキャストがそのまま読める形で返ってきます。
現実の音声のために設計
まず音声をクリーンに
文字起こしの前に、声を背景ノイズから分離します。音楽を残すかどうかも選べます。スタジオ収録のクリアな音声ならオフにできます。
言語の自動判別
言語を auto に設定すれば、150以上の言語から API が自動で判別します。
高速か、精密か
通常は高速モードを、より丁寧に処理したいときは低速モードを使えます。
字幕にそのまま使える出力
各行の最大文字数と表示時間を設定し、SRT や VTT で書き出せます。
単語単位のタイムスタンプ
リアルタイムの最終結果には、すべての単語の開始・終了時刻が含まれます。
結果の一括取得
多数の処理の文字起こしを、1回のリクエストでまとめて取得できます。
放送規模の音声認識
ミラノ・コルティナ 2026 冬季パラリンピックのリアルタイム音声認識
“Eurovision Sport のすべての競技でリアルタイム字幕を提供することで、デジタルアクセシビリティを広げ、より多くの人がライブで競技を楽しめるようにしています。”
- 6
- 競技をリアルタイムで字幕化
- 10日間
- ライブ・オンデマンド中継（2026年3月6日〜15日）
- 2024
- 提携開始の年（最初は European Athletics）
Python と TypeScript で使える音声認識 API
SDK をインストールし、API キーを追加して、最初のファイルを送信しましょう。Python と TypeScript（JavaScript）の SDK に加え、録音ファイル向けに Go、Java、Rust、PHP の SDK もあります。
from camb.レスポンス200 OK
{ "transcript": [{ "start": 5.0, "end": 12.0,"text": "Welcome to our discussion on AI.","speaker": "SPEAKER_0" },{ "start": 13.0, "end": 18.0,"text": "Thank you for having me.","speaker": "SPEAKER_1" }] }音声認識 API についてのよくある質問
音声認識 API（speech-to-text API、文字起こし API とも呼ばれます）は、ソフトウェアから音声を送ってテキストを受け取れる仕組みです。CAMB.AI の API は、録音ファイルとリアルタイムの音声ストリームの両方に対応しています。
バッチ文字起こし API は録音ファイル向けです。ファイルか URL を送り、完成した文字起こしを受け取ります。リアルタイム API は WebSocket で音声をストリーミングし、話している最中にテキストを返します。
はい、録音ファイルで対応しています。文字起こしの各行に話者ラベル（話者 1、話者 2）と開始・終了時刻が付きます。リアルタイム API はまだ話者を分離しません。
150以上の言語と地域バリエーションに対応しています。言語コードを指定するか、言語を auto に設定すれば自動で判別します。
リアルタイムでは可能です。最終結果ごとに、各単語の開始・終了時刻が含まれます。録音ファイルでは、文字起こしの各行に開始・終了時刻が返ります。
MP3、WAV、AAC、FLAC、MP4、MOV です。20 MB 未満のファイルはアップロード、それより長い録音は URL で送信してください。リアルタイムでは、生の音声（PCM、A-law、μ-law）を WebSocket でストリーミングします。
はい。pip で camb-sdk をインストールすれば、数行で文字起こしを作成できます。TypeScript SDK（@camb-ai/sdk）もあります。リアルタイム API は Python と TypeScript の SDK で使え、Go、Java、Rust、PHP の SDK は録音ファイルに対応しています。
はい。話者名付きで SRT、VTT、TXT としてダウンロードでき、字幕1行あたりの最大文字数も設定できます。
初期設定では、文字起こしの前に声を背景ノイズから分離し、音楽を取り除くことも選べます。クリーンな音声ほど良い結果になりますが、スタジオ品質の音声ではクリーニングをオフにできます。