Soniox, Inc. が提供する音声AIプラットフォーム。音声認識（STT）・音声合成（TTS）・音声翻訳を単一のAPIに統合しており、60以上の言語に対応する。発話中の言語切り替え（コードスイッチング）を自動検出しながら、200ミリ秒未満の低遅延でリアルタイムに文字起こしできる点が特徴である。話者分離やタイムスタンプ、短い音声サンプルからのボイスクローンも備え、SOC 2やISO/IEC 27001などの認証も取得済みである。音声エージェントや字幕、コールセンターの通話記録といった用途への組み込みを想定した、開発者向けのサービスである。
主な特徴
- リアルタイム多言語音声認識: 60以上の言語に対応し、発話の途中で言語が切り替わっても自動検出して書き起こせる
- 低遅延ストリーミング: 200ミリ秒未満のレイテンシでリアルタイム文字起こしが可能。会話や通話のようにその場で応答が必要な用途に向く
- 話者分離・タイムスタンプ: 発言者ごとの区別とタイムスタンプ付与を標準機能として備える
- 音声翻訳: 3,600以上の言語ペアに対応した音声翻訳をSTTストリームに統合できる
- ボイスクローン（TTS）: 短い音声サンプルから声質を再現した音声合成が可能
- コンプライアンス対応: SOC 2 Type 2、ISO/IEC 27001:2022、HIPAA、GDPRに対応しており、企業利用でも検討しやすい
料金
固定の月額・年額プランは無く、すべて従量課金（使用量ベース）である。話者分離・言語検出・翻訳などの基本機能は追加料金なしで従量課金に含まれる。
| 項目 | 目安 |
|---|---|
| Speech-to-Text（非同期・ファイルアップロード） | 約$0.10/時間 |
| Speech-to-Text（リアルタイム・ストリーミング） | 約$0.12/時間 |
| Text-to-Speech（音声合成・ボイスクローン） | 約$0.70/時間相当（入力テキスト$4.00/百万トークン、出力オーディオ$21.50/百万トークン） |
料金は2026年9月時点の情報です。最新の料金は公式サイトをご確認ください。
メリット・デメリット
✅ メリット
- 60以上の言語で、発話中の言語切り替えまで自動検出できる
- 200ミリ秒未満の低遅延でリアルタイム処理が可能
- STT・TTS・翻訳を単一APIで扱えるため、複数サービスを組み合わせる統合コストが低い
- SOC 2・ISO/IEC 27001・HIPAA・GDPRなど、企業利用に必要な認証を取得済み
⚠️ デメリット
- 固定プランがなく従量課金のみのため、月額コストの見積もりがしづらい
- GUIアプリではなくAPI中心のサービスのため、開発者以外には利用のハードルがある
- 日本語でローカライズされた公式情報が少ない
類似サービスとの比較
| 比較項目 | Soniox | Deepgram | AssemblyAI | OpenAI Whisper |
|---|---|---|---|---|
| 提供元 | Soniox, Inc. | Deepgram | AssemblyAI | OpenAI |
| 主な用途 | 多言語STT・TTS・音声翻訳の統合API | リアルタイムSTT API | 英語圏中心の音声API基盤 | 音声認識モデル（OSS） |
| 動作環境 | API | API | API | セルフホスト（OSS） |
| リアルタイム対応 | 対応（200ミリ秒未満） | 対応 | 対応 | 非対応 |
| 特徴 | 多言語精度とコードスイッチング検出に強み | 英語中心の低コスト・リアルタイムAPI | 対応言語数はSonioxより少なめ | オープンソースで自由度が高いが非リアルタイム |
こんな人におすすめ
- 多言語対応のコールセンターやカスタマーサポートで、通話記録・要約を自動化したい開発者
- リアルタイム字幕や会議の自動議事録作成の基盤を探している人
- 音声エージェント（ボイスボット）の音声入出力部分をAPIで組み込みたいチーム
- 多言語コンテンツの音声翻訳・吹き替え制作を効率化したい人
まとめ
Sonioxは、音声認識・音声合成・音声翻訳を一つのAPIにまとめ、多言語のリアルタイム処理を軸に据えた音声AIプラットフォームである。60以上の言語でのコードスイッチング検出や200ミリ秒未満の低遅延は、コールセンターや会議記録、音声エージェントのような実運用に耐える強みといえる。一方で料金は従量課金のみで固定プランがないため、想定する通話量・処理時間からコストを事前に試算しておくとよい。GUIを持たないAPI中心のサービスなので、導入には開発リソースが前提になる点も踏まえておきたい。