Video-to-Text

Whisper で動く文字起こし API

Q: Whisper は日本語の文字起こしに対応していますか？

対応しています。Whisper は日本語を含む多言語モデルです。このページ用に日本語の例文（10秒の音声）を WhisperLargeV3Ct2 に送ったところ、文章が正しく文字起こしされ、言語は ja（確度 99.17%）と判定されました。上の結果がその API 出力です。言語は "lang": "ja" で指定することもできます。

Q: 話者を区別できますか？

できます。diarize を true にすると、各セグメントに SPEAKER_00 のような話者ラベルが付きます。料金は 50% 上がります。

Q: YouTube 動画をダウンロードせずに文字起こしできますか？

できます。動画のリンクを source_url として送ってください。X のポストとスペース、Twitch、Kick、TikTok のリンクも同じ方法で使えます。アップロードできるファイルは音声 20 MB、動画 50 MB までなので、長い録画はリンクで送るほうが簡単です。

Q: 字幕用のタイムスタンプは出力されますか？

出力されます。include_ts を true にしてください。セグメント単位のタイムスタンプは料金に含まれます。ts_level: "word" にすると料金が 50% 上がります。ただし、このページの日本語サンプル（10秒）を単語単位で送ったところ、文全体が1つの単語として返りました。各セグメントに開始・終了時刻（秒）が付くので、SRT や VTT の行に変換できます。字幕ファイル自体は API からは返りません。

音声・動画ファイルをアップロードするか、YouTube、TikTok、X、Twitch、Kick のリンクを送ります。WhisperLargeV3Ct2 は、テキスト、判定された言語、タイムスタンプ付きのセグメントを JSON で返します。

ファイルか YouTube なら1時間 $0.052、10分で $0.013
セグメント単位のタイムスタンプは追加料金なし
動画のダウンロードは不要、URL を渡すだけ

$5分の無料クレジットを受け取る対応ソースを見る

クレジットカード不要 · 無料クレジットの有効期限は90日 · その後は残高をチャージして従量課金、サブスクなし

WhisperLargeV3Ct2 Video-to-Text

API が返した文字起こし結果本日はご参加ありがとうございます。新しい料金ページは月曜日に公開し、サポートチームは水曜日までにヘルプセンターを更新します。

10 秒のファイル · 判定言語：ja（99.17%） · セグメント単位のタイムスタンプ deAPI での料金: $0.0051 (2026年10月時点の料金)

文字起こしできるソース

エンドポイントは POST /api/v2/audio/transcriptions の1つだけです。リンクかファイルかは自動で判別します。

タイムスタンプ：include_ts を有効にします。ts_level が segment なら料金に含まれ、word にすると料金が 50% 上がります。API は各セグメントの開始・終了時刻を秒単位で返すので、SRT や VTT への変換はクライアント側で行ってください。
話者：diarize を有効にすると、各セグメント（単語単位のタイムスタンプ使用時は各単語にも）に話者ラベル（SPEAKER_00、SPEAKER_01…）が付き、料金が 50% 上がります。単語単位のタイムスタンプと併用しても、上がるのは 50% の1回分だけです。
言語：API は言語を判定して language_probability と一緒に返します。lang で指定することもできます（例："lang": "ja"）。

ソース	送り方	利用例
音声・動画ファイル	`source_file`（multipart アップロード、音声は 20 MB、動画は 50 MB まで）	通話、ポッドキャスト、インタビュー、講義
YouTube	`source_url`	字幕作成、チャンネル内の検索、要約
TikTok	`source_url`	キャプション、ソーシャルリスニング、コンテンツモデレーション
X のポストとスペース	`source_url`	ソーシャルリスニング、録音されたスペースのテキスト化
Twitch と Kick	`source_url`	配信のハイライト、スポンサー言及の確認

文字起こし APIの料金

ファイルと YouTube リンクは1時間あたり $0.052。料金はファイルの長さに応じてリクエストごとに決まり、1分のファイルなら $0.0058 です。月額プランはありません。

長さ	料金	$5 で処理できる本数
1時間	$0.052	約 96 本
10分	$0.013	約 390 本
1分	$0.0058	約 864 本

無料アカウントでできること

$5 分のクレジット、ファイルか YouTube の音声で約 96 時間分
初回チャージまでは1分あたり1リクエスト、1日 10 リクエストまで
クレジットカード不要、クレジットの有効期限は90日

$5分の無料クレジットを受け取る

ファイルと YouTube リンクの WhisperLargeV3Ct2 の料金で、deAPI の料金 API による 2026年10月時点の USD 価格です。X、Twitch、Kick のリンクはファイルより1時間あたりの料金が高く、料金はプラットフォームごとに異なります。TikTok は長さの区分ごとの料金です。単語単位のタイムスタンプや diarize を使うと 50% 上がります。見積もりは duration_seconds と platform（youtube、twitter、twitch、kick、tiktok）を POST /api/v2/audio/transcriptions/price に送って確認できます。

文字起こし APIのサンプルコード

リンクは JSON で、ファイルは multipart で送ります。YOUR_API_KEY はダッシュボードで発行したキーに置き換えてください。

エンドポイント: POST /api/v2/audio/transcriptions
モデル ID: WhisperLargeV3Ct2
入力: source_url または source_file（音声 20 MB、動画 50 MB まで）
出力: JSON: text、language、start/end を含む segments[]
無料アカウントの上限: 1分あたり1リクエスト、1日 10 リクエスト

curl -X POST 'https://api.deapi.ai/api/v2/audio/transcriptions' \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -H 'Accept: application/json' \
  -F 'model=WhisperLargeV3Ct2' \
  -F 'include_ts=true' \
  -F 'ts_level=segment' \
  -F '[email protected]'

import time, requests

API = "https://api.deapi.ai/api/v2"
HEADERS = {"Authorization": "Bearer YOUR_API_KEY", "Accept": "application/json"}

job = requests.post(f"{API}/audio/transcriptions", headers=HEADERS, json={
    "model": "WhisperLargeV3Ct2",
    "source_url": "https://www.youtube.com/watch?v=jNQXAC9IVRw",
    "include_ts": True,
    "ts_level": "segment",
}).json()["data"]

while True:
    status = requests.get(f"{API}/jobs/{job['request_id']}", headers=HEADERS).json()["data"]
    if status["status"] in ("done", "error"):
        break
    time.sleep(3)

# 完了後、JSON の文字起こし結果（text、language、segments）は status["result_url"] にあります
print(status.get("result_url"))

API リファレンスモデルページ

文字起こし APIとは？

文字起こし API は、音声・動画ファイルの話し言葉をテキストに変換し、保存や検索、字幕に使えるようにする API です。 deAPI は OpenAI が公開している Whisper モデル（WhisperLargeV3Ct2）を分散 GPU ネットワークで動かし、リンク入力にも対応しています。動画をダウンロードしなくても、YouTube の URL をそのまま送れます。

無料アカウントを作成

登録すると $5 分のクレジットが付与されます。クレジットカードは不要です。
API キーをコピー

ダッシュボードでキーを発行します。Playground でリンクを試すこともできます。
ファイルかリンクを送信

/audio/transcriptions に POST し、ジョブから文字起こし結果を取得します。

文字起こし API のよくある質問

ファイルか YouTube リンクの音声・動画1時間で $0.052 です（2026年10月時点）。10分なら $0.013、1分のクリップなら $0.0058 です。Twitch、Kick、X、TikTok のリンクは料金が異なるので、先に料金エンドポイントで確認してください。リクエストごとの支払いで、月額料金はありません。

試せます。新規アカウントには $5 分のクレジットが付与され、ファイルの音声にして約 96 時間分になります。初回チャージまでは1分あたり1リクエスト、1日 10 リクエストまでです。

不要です。カードを登録せずに $5 分のクレジットを受け取れます。クレジットの有効期限は登録から90日です。

対応しています。Whisper は日本語を含む多言語モデルです。このページ用に日本語の例文（10秒の音声）を WhisperLargeV3Ct2 に送ったところ、文章が正しく文字起こしされ、言語は ja（確度 99.17%）と判定されました。上の結果がその API 出力です。言語は "lang": "ja" で指定することもできます。

できます。diarize を true にすると、各セグメントに SPEAKER_00 のような話者ラベルが付きます。料金は 50% 上がります。

できます。動画のリンクを source_url として送ってください。X のポストとスペース、Twitch、Kick、TikTok のリンクも同じ方法で使えます。アップロードできるファイルは音声 20 MB、動画 50 MB までなので、長い録画はリンクで送るほうが簡単です。

出力されます。include_ts を true にしてください。セグメント単位のタイムスタンプは料金に含まれます。ts_level: "word" にすると料金が 50% 上がります。ただし、このページの日本語サンプル（10秒）を単語単位で送ったところ、文全体が1つの単語として返りました。各セグメントに開始・終了時刻（秒）が付くので、SRT や VTT の行に変換できます。字幕ファイル自体は API からは返りません。

deAPI は OpenAI が公開している Whisper モデルを自社の GPU ネットワークで動かしています。ネイティブ API のリクエスト形式は deAPI 独自のものです。すでに OpenAI SDK を使っているなら、OpenAI 互換のエンドポイント https://oai.deapi.ai/v1/audio/transcriptions も使えます。ファイルのアップロードに対応し、モデル ID は deAPI のもので、whisper-1 のエイリアスはありません。

$5 分の無料クレジットで最初の1時間を文字起こし

メールか Google で登録できます。クレジットカード不要、サブスクリプションもありません。

$5分の無料クレジットを受け取る Docs

deAPI の関連ページ

画像生成 API（無料クレジット）

Whisper で動く文字起こし API

文字起こしできるソース

文字起こし APIの料金

無料アカウントでできること

文字起こし APIのサンプルコード

文字起こし APIとは？

無料アカウントを作成

API キーをコピー

ファイルかリンクを送信

文字起こし API のよくある質問

文字起こし API の料金はいくらですか？

無料で試せますか？

クレジットカードは必要ですか？

Whisper は日本語の文字起こしに対応していますか？

話者を区別できますか？

YouTube 動画をダウンロードせずに文字起こしできますか？

字幕用のタイムスタンプは出力されますか？

deAPI の Whisper は OpenAI の Whisper API と同じですか？

$5 分の無料クレジットで最初の1時間を文字起こし

deAPI の関連ページ