← ブログに戻る

オーディオモード — ターン制翻訳と音声再生

話した会話1時間あたり約4.50米ドル。 テキスト翻訳は入力と翻訳出力を合わせて1,000文字あたり0.05米ドルです。この目安は、連続して話した場合の1分あたり入力750文字と翻訳750文字に基づきます。使用量は言語、話す速さ、間の取り方によって変わります。経過時間による課金ではありません。 文字起こしのみ：約2.25米ドル/時間（0.0375米ドル/分）。音声付き翻訳：1分あたり750文字の読み上げを含めて約6.75米ドル/時間（0.1125米ドル/分）。テキスト翻訳：約0.075米ドル/分。

2026年3月

Live Translate Live には、ライブ会話を翻訳する2つの方法があります。主要モードはスクロールマーキーです — 継続的な音声認識が翻訳テキストを共有画面に流し続けます。2つ目のモードがオーディオモードです。ターン制、プッシュ・トゥ・トーク方式で、翻訳結果をAIの音声で読み上げます。話して、文字起こしを確認し、認識ミスを修正して、「翻訳」をタップすると、相手は自分の言語で翻訳を聞くことができます。そしてカウンター越し、テーブル越し、あるいは自分自身に電話を渡せば、相手のターンになります。

マーキーは共有画面向けに作られています。オーディオモードは手に持つスマートフォン向けに作られています。

オーディオモード vs. マーキーモード — どちらを選ぶか

どちらのモードもすべてのプランに含まれており、会話の途中で切り替えることができます。それぞれ異なる問題を解決します。マーキーは、2人が同時に1つの画面を快適に見られる場合、かつ誰もデバイスを持つ必要がない場合に最適です。オーディオモードは、スマートフォンを置く適切な場所がない場合、環境が騒がしくてスクロール表示をひと目で読めない場合、または何らかの理由で一方または両方の話者が翻訳を読めない場合に最適です。

状況マーキーオーディオ理由
スマートフォンを間に置いたレストランのテーブル ○ 可 両方の話者が画面の自分側を読める。食事中は継続的な流れが自然に感じられる。
混雑した市場の屋台、平らな場所なし × ○ 立ったままスマートフォンを持っている。オーディオモードなら話して、見せて、渡すことができる。
ライブ配信や放送のオーバーレイ ○ × OBSがスクロールマーキーをウィンドウソースとしてキャプチャする。オーディオモードには視聴者向けの画面がない。
片方が聴覚障害のあるユーザー ○ × 画面上のテキストがすべて。音声再生は役に立たない。
片方が視覚障害または弱視のユーザー × ○ 音声再生によりスクロール表示を読む必要がなくなる。
騒がしい建設現場や工場フロア 可 ○（イヤホン使用） イヤホンと組み合わせたオーディオモードが翻訳を直接届ける。ヘルメット着用中は画面を読むのが難しい。
静かな会議室やホテルのロビー ○ 可 誰もスマートフォンを渡すために会話を中断する必要がないとき、継続的なマーキーが輝く。
ライドシェアやタクシー × ○ ドライバーは道路から目を離せない。スマートフォンのスピーカーからの音声再生が対応する。

大まかな目安として、スマートフォンを自然に行き来させるならオーディオモード、自然に置いておくならマーキーを使いましょう。

ターン制ワークフロー、ステップごとの説明

オーディオモードは意図的に直線的な設計になっています。各ターンは1往復です — 話して、翻訳して、渡す。各ターンで起こることを正確に説明します：

  1. プッシュ・トゥ・トークをタップして話す。 話しやすい位置でスマートフォンを持ちます。プッシュ・トゥ・トーク（ボタンを押し続け、終わったら離す）または常時リスニングのトグルを使えます。プッシュ・トゥ・トークは、話している間だけマイクがオンになるため、騒がしい場所に適しています。
  2. ライブ文字起こしが画面に表示されるのを見る。 言葉はリアルタイムで文字起こしされ、ダイナミックなフォントサイズで画面に収まるよう表示されます。 テキスト翻訳は入力と翻訳出力を合わせて1,000文字あたり0.05米ドルです。この目安は、連続して話した場合の1分あたり入力750文字と翻訳750文字に基づきます。使用量は言語、話す速さ、間の取り方によって変わります。経過時間による課金ではありません。
  3. 必要に応じて文字起こしを確認・編集する。 音声認識は固有名詞、数字、珍しい専門用語でミスをすることがあります。翻訳前に文字起こしをタップして単語を修正します。これはマーキーにはできないステップです — マーキーはすぐに翻訳するため、聞き間違えた単語はすでに画面の反対側に表示されています。オーディオモードでは、翻訳はあなたが言いたかったことに基づいて行われます。
  4. 「翻訳」をタップする。 これがクレジットを消費する唯一のステップです。翻訳テキストの文字数と合成音声の文字数に応じて課金されます — それ以前の文字起こしには課金されません。
  5. AIの音声がターゲット言語で再生されるのを聞く。 翻訳はスマートフォンのスピーカー（またはイヤホンが接続されている場合はイヤホン）から声に出して読み上げられます。翻訳テキストも画面に表示され、読むことを好む方のためのフォールバックとして機能します。
  6. デバイスを渡すか、再生する。 相手のターンのためにスマートフォンを渡すか、もう一度聞きたい場合は再生をタップします。次のやり取りを始める準備ができたら画面をクリアします。

課金対象文字

テキスト翻訳は入力と翻訳出力を合わせて1,000文字あたり0.05米ドルです。この目安は、連続して話した場合の1分あたり入力750文字と翻訳750文字に基づきます。使用量は言語、話す速さ、間の取り方によって変わります。経過時間による課金ではありません。

文字起こしのみ：約2.25米ドル/時間（0.0375米ドル/分）。音声付き翻訳：1分あたり750文字の読み上げを含めて約6.75米ドル/時間（0.1125米ドル/分）。テキスト翻訳：約0.075米ドル/分。

トレードオフは明らかで、正直に言う価値があります。オーディオモードは継続的ではありません。翻訳するタイミングを自分で選ぶため、ターン間に小さな間が生じます。翻訳が途切れなく感じられることを望む座って食事をする場合や会議では、マーキーが適切なツールです。それ以外のすべて — 特に以下のシナリオ — では、オーディオモードはその価値を発揮します。

オーディオモードが真価を発揮するシナリオ

路上販売での取引

台北のナイトマーケットやマラケシュのスークにいます。片手にスマートフォン、もう片手に紙袋を持っています。テーブルはありません。ベンダーはカウンターの向こう、3フィート先に、自分の客の流れを抱えています。プッシュ・トゥ・トークをタップして質問し、「翻訳」をタップすると、ベンダーは画面に身を乗り出すことなく自分の言語で答えを聞くことができます。相手が返答したい場合は、スマートフォンをカウンター越しに渡して相手のターンにします。やり取り全体は15秒ほどで、コストはクレジットのほんの一部です。

騒がしい市場や観光地

イヤホンからの音声再生は、画面を読むのとは違う方法で周囲の騒音を切り抜けます。両方の話者がイヤホンを持っている場合、またはペアを共有する場合、周囲の通りが85dBであっても翻訳が直接耳に届きます。プッシュ・トゥ・トークは、積極的に話していないときはマイクを閉じるため、認識機が群衆を文字起こししようとしないので、ここでは適切な入力方法です。

弱視ユーザーのアクセシビリティ

AIの音声再生は弱視ユーザーにとって便利な機能ではありません — それが核心機能です。話すと、翻訳がターゲット言語で読み上げられ、誰もスクロール表示を読む必要がありません。これはオーディオモードがマーキーに対して持つ最も明確な優位点の1つであり、どちらかを選ぶのではなく両方のモードを製品に残している理由の1つです。

ライドシェアやタクシーでの会話

ドライバーは運転中です。あなたの画面を見ることはなく、見てほしくもありません。スマートフォンのスピーカーからのオーディオモードで、どちらも道路から目を離すことなく、道案内をしたり、ルートについて尋ねたり、料金に合意したりできます。ドライバーの返答には、助手席の乗客にスマートフォンを渡すか、ドライバーが短く話す間は常時リスニングモードを使うことができます。

医療受付と臨床的な質問

看護師がクリップボードから質問を読み上げます。あなたは自分の言語で答えます。「翻訳」をタップすると、臨床医は受付フォームに書いたり入力したりしながら、ハンズフリーで答えを声で聞くことができます。医療固有名詞（薬品名、病名）については、確認・編集ステップが特に役立ちます。 テキスト翻訳は入力と翻訳出力を合わせて1,000文字あたり0.05米ドルです。この目安は、連続して話した場合の1分あたり入力750文字と翻訳750文字に基づきます。使用量は言語、話す速さ、間の取り方によって変わります。経過時間による課金ではありません。

ホテルのフロントデスクとサービスカウンター

カウンターの自分側でスマートフォンを持ち、話して、係員が返答するためにスライドして渡します。音声は両方に聞こえる程度の音量で再生され、ロビーが反響する場合は画面上の文字起こしがバックアップとして機能します。短いやり取り — チェックイン、チェックアウト、「近くに薬局はありますか」 — では、オーディオモードはほぼコストがかからず、2人が1台のスマートフォンに身を乗り出す気まずさを解消します。

デバイスの配置と音量のヒント

実際の場面でオーディオモードをより効果的に機能させるためのいくつかのポイント：

AI音声再生の正直な限界

AIの音声は優れています。しかし人間ではありません。知っておくべきことがいくつかあります：

よくある質問

オーディオモードで1回の翻訳にかかるクレジットはいくらですか？

文字起こし、翻訳、音声生成の各文字につき1クレジットを消費します。生成済み音声の再生に追加クレジットはかかりません。 文字起こしのみ：約2.25米ドル/時間（0.0375米ドル/分）。音声付き翻訳：1分あたり750文字の読み上げを含めて約6.75米ドル/時間（0.1125米ドル/分）。テキスト翻訳：約0.075米ドル/分。

インターネット接続なしでオーディオモードを使えますか？

いいえ。音声認識、翻訳、音声合成はすべてクラウドで動作します。速い接続よりも安定した接続の方が重要です — オーディオモードは継続的なストリームではなく短い音声バーストを送信するため、接続されている限り不安定なモバイルデータでも問題なく動作します。

言い間違えた場合、録音し直せますか？

はい、そうすべきです。文字起こしをクリアしてプッシュ・トゥ・トークをもう一度押すか、話し続けるだけでも構いません — 文字起こしはリアルタイムで更新されます。「翻訳」をタップしたときにのみ翻訳が確定し、その前に文字起こしテキストを直接編集することができます。 テキスト翻訳は入力と翻訳出力を合わせて1,000文字あたり0.05米ドルです。この目安は、連続して話した場合の1分あたり入力750文字と翻訳750文字に基づきます。使用量は言語、話す速さ、間の取り方によって変わります。経過時間による課金ではありません。

会話の途中でマーキーモードに切り替えられますか？

はい。モード選択はトグルであり、セッションの境界ではありません。会話が立ったままの市場でのやり取りから座ってのコーヒーに移行した場合、言語ペアや履歴を失うことなくマーキーに切り替えられます。 テキスト翻訳は入力と翻訳出力を合わせて1,000文字あたり0.05米ドルです。この目安は、連続して話した場合の1分あたり入力750文字と翻訳750文字に基づきます。使用量は言語、話す速さ、間の取り方によって変わります。経過時間による課金ではありません。

オーディオモードを試す

近い将来に旅行者としての会話 — 市場、タクシー、クリニック、ホテルのデスク — がある場合、最初に試すべきはオーディオモードです。言語を共有しない相手と話すための一般的な習慣（短い文、一度に1つの質問、固有名詞の確認）と組み合わせれば、請求書で気にならないコストで実際の場面でのやり取りの大部分を処理できます。

1ドルで試す — サブスクリプション不要 · 料金を見る · すべての機能を見る

関連記事

Live Translate Liveを試してみる

リアルタイムのバイリンガル会話の翻訳を今すぐ始めましょう。

無料で始める