文字起こし

RealtimeKit は、Cloudflare Workers AI を使った 2 つの文字起こしモードを提供します。

RealtimeKit は、参加者ごとの音声ストリームを個別に処理します。最終的なトランスクリプトで話者を識別しやすくなります。

Free プランの Workers AI 処理上限を避けるため、Workers Paid プランへのアップグレードを推奨します。詳細は 料金と Free プランの上限 を参照してください。

リアルタイム文字起こしは、参加者の音声を Workers AI 上の Deepgram Nova-3 にストリーミングし、会議中に トランスクリプトイベント を参加者へ送ります。

参加者のリアルタイム文字起こしは、その参加者の preset で permissions.transcription_enabled: true を設定すると有効になります。どの参加者の音声を文字起こしするかを選べます。たとえば、スピーカーの音声だけを文字起こしし、オーディエンスの音声は対象外にできます。

既存の preset を更新するには、Update a preset API を使います。

curl -X PATCH "https://api.cloudflare.com/client/v4/accounts/$ACCOUNT_ID/realtime/kit/$APP_ID/presets/$PRESET_ID" \
  -H "Authorization: Bearer $CLOUDFLARE_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "permissions": {
      "transcription_enabled": true
    }
  }'

preset を作成する場合は、Create a preset API を参照してください。

RealtimeKit が文字起こしするのは、permissions.transcription_enabled: true の preset で参加した参加者の音声だけです。

会議中、RealtimeKit はクライアント SDK にトランスクリプトの更新をストリーミングします。meeting.ai.transcripts から既存のトランスクリプトを取得するか、meeting.ai.on("transcript", ...) で新しいトランスクリプトイベントを待ち受ける方法は、リアルタイムのトランスクリプトを利用する を参照してください。

preset は、誰の音声を文字起こしするかを制御します。ミーティング設定は、RealtimeKit がその音声をどう文字起こしするかを制御します。ai_config.transcription で、話し言葉 の指定、固有名詞の認識強化、特定ミーティングの不適切表現フィルターを設定できます。

curl -X POST "https://api.cloudflare.com/client/v4/accounts/$ACCOUNT_ID/realtime/kit/$APP_ID/meetings" \
  -H "Authorization: Bearer $CLOUDFLARE_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "title": "Weekly product review",
    "ai_config": {
      "transcription": {
        "language": "en-US",
        "keywords": ["RealtimeKit", "Cloudflare"],
        "profanity_filter": false
      }
    }
  }'

リアルタイム文字起こしは、Workers AI 上の Deepgram Nova-3 を使います。

Workers AI 上の Nova-3 は、文字起こしで次の言語に対応しています。

上に挙げたすべての言語を対象に、多言語を自動検出するには multi を使います。

言語を指定しない場合、モデルは en-US を既定とします。精度を高めるには、音声に合う言語コードを明示的に設定してください。

リアルタイム文字起こしは、中間結果と最終結果の更新をクライアント SDK に送ります。ライブ字幕には中間結果を使い、履歴や保存する UI 状態には最終結果を使います。

// Get transcript entries already received by the client.
const transcripts = meeting.ai.transcripts;

// Listen for transcript updates during the meeting.
meeting.ai.on("transcript", (transcript) => {
	if (transcript.isPartialTranscript) {
		updateLiveCaption(transcript.peerId, transcript.transcript);
		return;
	}

	appendFinalTranscript(transcript);
});

{
	"id": "1a2b3c4d-5678-90ab-cdef-1234567890ab",
	"name": "Alice",
	"peerId": "4f5g6h7i-8j9k-0lmn-opqr-1234567890st",
	"userId": "uvwxyz-1234-5678-90ab-cdefghijklmn",
	"customParticipantId": "abc123xyz",
	"transcript": "Hello everyone",
	"isPartialTranscript": false,
	"timestamp": 1716700000000
}

会議後の文字起こしは、会議終了後に Workers AI 上の Whisper Large v3 Turbo でトランスクリプトを生成し、webhook または REST API で配信します。話者を識別するため、RealtimeKit は各参加者の音声を個別に処理してから 最終トランスクリプト を作成します。

会議後の文字起こしは、ミーティング作成時に有効にできます。transcribe_on_end: true を設定すると、会議終了後にトランスクリプトを生成します。トランスクリプトが揃ったあと 要約 も自動生成するには、summarize_on_end: true を設定します。

curl -X POST "https://api.cloudflare.com/client/v4/accounts/$ACCOUNT_ID/realtime/kit/$APP_ID/meetings" \
  -H "Authorization: Bearer $CLOUDFLARE_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "title": "Weekly product review",
    "transcribe_on_end": true,
    "summarize_on_end": true,
    "ai_config": {
      "transcription": {
        "language": "en"
      }
    }
  }'

トランスクリプトの言語は ai_config.transcription.language で指定します。対応する値は 会議後の文字起こしで対応している言語 を参照してください。transcribe_on_end を設定しない場合、RealtimeKit は会議後のトランスクリプトを生成しません。

会議後の文字起こしは、Whisper Large v3 Turbo の言語コードに対応しています。ai_config.transcription.language を省略すると、Whisper が話し言葉を検出します。

よく使う言語コードは次のとおりです。

会議後のトランスクリプトは、複数の形式で取得できます。アプリのワークフローには CSV または JSON を使い、字幕ファイルが必要な場合は SRT または VTT を使います。

"1000","peer-123","user-456","cust-789","Alice","Hello everyone"
"3000","peer-234","user-567","cust-890","Bob","Hi Alice"

[
	{
		"startTime": 1000,
		"endTime": 2500,
		"sentence": "Hello everyone",
		"peerData": {
			"id": "peer-123",
			"userId": "user-456",
			"displayName": "Alice",
			"cpi": "cust-789",
			"joinedAt": "2024-08-07T10:15:29.000Z",
			"leftAt": ""
		}
	}
]

1
00:00:01,000 --> 00:00:02,500
Alice: Hello everyone

2
00:00:03,000 --> 00:00:04,500
Bob: Hi Alice

RealtimeKit が会議後のトランスクリプト処理を終えると、ダウンロード URL を webhook で受け取るか、REST API で取得できます。非同期のバックエンド処理には webhook を使い、特定セッションのトランスクリプトを取りたい場合は REST API を使います。

RealtimeKit webhooks で meeting.transcript イベントを設定します。

{
	"event": "meeting.transcript",
	"meeting": {
		"id": "bbb8940e-1b97-402a-97d6-2708b7feca41",
		"title": "Weekly sync",
		"endedAt": "2026-06-03T10:30:00.000Z",
		"createdAt": "2026-06-03T10:00:00.000Z",
		"sessionId": "05e57591-d89e-45c9-ae44-08dc1eaad0e0",
		"startedAt": "2026-06-03T10:00:00.000Z",
		"status": "LIVE",
		"organizedBy": {
			"id": "c94c437b-592a-4a39-b9e2-47ef1451e43b",
			"name": "Example organization"
		}
	},
	"transcriptDownloadUrl": "https://example.com/transcript.csv",
	"transcriptDownloadUrlExpiry": "2026-06-10T10:30:00.000Z"
}

Fetch the complete transcript for a session を参照してください。

curl -X GET "https://api.cloudflare.com/client/v4/accounts/$ACCOUNT_ID/realtime/kit/$APP_ID/sessions/$SESSION_ID/transcript" \
  -H "Authorization: Bearer $CLOUDFLARE_API_TOKEN"

トランスクリプトは、会議終了後 7 日間 利用できます。webhook または REST API が返す URL の有効期限までに、ファイルをダウンロードするかコピーしてください。

RealtimeKit のデフォルトの文字起こしは、各参加者の音声トラックを記録し、Workers AI で処理します。Workers AI の利用料は、会議時間ではなく参加者の音声分数に応じた 音声モデルの料金 で、Cloudflare アカウントに請求されます。

Workers Free プランでは、Workers AI に 1 日 10,000 Neurons が含まれます。1 日 10,000 Neurons を超えて使う場合は、Workers Paid プラン にアップグレードします。Workers Paid にも同じ 1 日 10,000 Neurons の無料枠があり、超過分は 1,000 Neurons あたり $0.011 で請求されます。

Workers Paid プランへのアップグレードは、Cloudflare ダッシュボードの アカウントを管理 から行えます。

RealtimeKit の文字起こしは、次の Workers AI 音声モデル料金を使います。

RealtimeKit の文字起こしは、マネージドな文字起こしワークフローです。文字起こしを有効にすると、RealtimeKit は参加者の音声を Workers AI で処理し、トランスクリプト出力 を RealtimeKit 管理のストレージに保存します。

リアルタイム文字起こしでは、RealtimeKit は文字起こしが有効な参加者の音声を Workers AI にストリーミングし、会議中にトランスクリプト更新を参加者へ送ります。

会議後の文字起こしでは、RealtimeKit は会議終了後に各参加者の音声を個別に処理し、最終トランスクリプトファイルを作成して、webhook または REST API で提供します。