この記事は「Zoom AI Services API "Wave 4"」の ハブ記事 です。
この半年で増えた API を一枚のマップに整理しつつ、コードを書く前に Zoom Developer Portal / Zoom.AI ）で全体像を体感するところまで進めます。
新 API を実際に叩く回は 2本目、 3本目で単独に扱う予定です。

Zoomtopia 2026 で、AI Services が一気に増えました

Zoom の AI Services（録音・音声・テキストを AI で処理する API 群）を、この春から記事にしてきました。Scribe（文字起こし）、Summarizer（要約）、Translator（翻訳）あたりですね。

その AI Services が、2026年10月20日の Zoomtopia 2026 で大きく拡張されました。 社員なので発表自体はもちろん追っていたのですが、開発者ドキュメントとして改めて並べてみると、なかなかの物量です。

ざっくり、開発者まわりで何が発表されたかというと——

Developer Portal … AI Services・Video SDK・Co-Browse SDK をまとめた統合ポータル（Available now – Zoom.AI ）
AI Services への新サービス追加（公式いわく15）。本シリーズで扱うのはこのあたりです。
- Speech Summarization … 録音 → 構造化された要約
- Decisions … テキスト／画像を基準に照らして、構造化された判定結果を返す
- Interpreter … near-real-time の speech-to-speech 通訳
- Voice Agent … 音声認識＋LLM＋TTS を一体化したパイプライン
MCP の拡張 … Claude / GPT などに加えて Microsoft 365 Copilot 連携、コンテキストを引く Search / Ask API など

既存の Scribe / Translator も強化されています。Scribe は自動言語判定・Text Polishing・時刻同期キャプションなどが追加され、Translator も「英語⇔8言語」から「任意の2言語間 + EU公用語24言語」の規模へ広がりました。

発表を一通り見たうえで思ったのは、「これはもう、一度ちゃんと地図を描き直したほうがいい」でした。というわけでこの記事では、

いま何があるのか を一枚のマップに整理して、
その前に ノーコードで全体像を体で覚える（ここがメイン・ハンズオンです）、
既存 API のアップデート差分を回収して過去記事に繋ぐ

ところまで進めます。各 API を実際にコードで叩くのは次回以降。まずは地図を持ちましょう、という回です。

まず手を動かす：Zoom Developer Portal でノーコード体験

いきなり API キーを発行して cURL を叩き始める前に、Portal で「どの API が何を返すか」を目で見ておく と、後のコーディングが一気に速くなります。入力を放り込むと出力が返る、という流れを SDK なしで体験できるためです。

ここからハンズオンに入ります。

Step 0. 用意するもの

Zoom アカウント（まずは無料〜で大丈夫です。有料機能に当たったら、そのタイミングで課金を判断すればOKです）
試したい素材を1つ。今回は 自分で録った商談風の音声ファイル（mp3 / m4a）を使います
- 手元になければ、スマホのボイスメモで2〜3分「商談ごっこ」を録るだけでも十分です

Step 1. Portal にログインして、サービス一覧を眺める

まずはログインして、どんな機能カードが並んでいるかをざっと見てみます。この「カードの顔ぶれ」が、そのまま後述の全体マップに対応しています。Zoomtopia 2026 で発表された新サービスは軒並み Available now なので、気になったものはその場で触れます。

Step 2. 音声ファイルを投入する

録っておいた商談音声をアップロードします。Portal 側が「文字起こし → 要約」まで裏で面倒を見てくれるので、こちらは待つだけです。

ここで注目していただきたいのが テンプレート（出力の型）の選択 です。「自動」「既定」のほかに「カスタム」があり、出力の形を自分で指示できます。これが後で API（Speech Summarization）を叩くときの template パラメータに直結します。ノーコードで触っておくと、API のパラメータが「あの画面のアレか」と腑に落ちます。

Step 3. 出力を受け取って、中身を読む

処理が終わると、要約が返ってきます。ここで見ておきたいポイントは2つです。

Markdown で構造化 されて返ること（見出し・箇条書きの型）
根拠（引用）への参照 が付くこと＝「この要約は文字起こしのどこを根拠にしたか」が辿れること

この「引用付きで返る」挙動は、あとで業務システムに組み込むときに地味に効いてきます。要約の裏取りが人力でレビューしやすくなるためです。

Step 4.（おまけ）同じ素材を別サービスにも通してみる

余力があれば、同じ音声を Translator や Scribe にも通して みてください。「入力は同じでも、サービスごとに返るものが違う」というのが一番の学びになります。文字起こしだけ欲しいのか、要約が欲しいのか、翻訳が欲しいのか——自分のユースケースがどのカードに対応するか が、ここで見えてきます。

ハンズオンのねらい
ここまでで「入力 → サービス → 出力」の対応関係が、ひととおり身についたはずです。次回（2本目）は、これを API で自動化 します。Portal で見た「テンプレート」「引用付き出力」が、そのままコードのパラメータ・レスポンスとして出てくるので、Portal は API の GUI 版プレビュー だと捉えていただくと分かりやすいです。

2026秋・AI Services 全体マップ

手触りを掴んだところで、全体像を一枚にまとめておきます。
本記事で扱う新 API は、いずれも Zoomtopia 2026 時点で「Available now（GA）」として発表されています。 とはいえステータスや仕様は今後更新されうるので、実装前に必ず最新のドキュメントでご確認ください。

区分	API	ざっくり何をする	入出力の型
既存	Scribe	音声 → 文字起こし	Fast / Batch / Live(WebSocket)
既存	Summarizer	テキスト → 要約	同期
既存	Translator	テキスト → 翻訳	Fast / Batch
🆕	Speech Summarization	録音 → 文字起こし → 要約(Markdown)	SSE ストリーム / テンプレート・引用付き
🆕	Decisions	テキスト/画像 → 型付きの質問にまとめて回答	同期・構造化（確率/選択/スコア）
🆕	Interpreter	音声 → near-real-time の speech-to-speech 通訳	文字起こし＋翻訳＋音声合成の一体型
🆕	Voice Agent	双方向の音声対話	音声認識＋LLM＋TTS の一体型（自前LLMも可）

この他に Enterprise Search もありますが、手元で検証しづらい性質のため本シリーズでは扱いません。
また Clinical Notes（録音→臨床ノート）はまだ一般提供前のため、本マップからは一旦外しています。GA になりましたら、別途取り上げる予定です。

既存 API、しれっと強くなっていた差分

「新 API」ばかり注目されがちですが、既存 API のアップデートもかなり効いています。過去記事を書いた方・読んでくださった方向けに、差分だけ回収しておきます。

Scribe（文字起こし）の追加分

Custom Vocabulary … 固有名詞・専門用語・社名などを事前登録して認識精度を上げる機能
Text Polishing … フィラー（えー・あのー）除去や体裁整えで、文字起こしを「読める文章」にしてくれる機能
話者ラベル付け … 誰の発話かを区別（議事録用途でかなり効きます）

→ 基本の叩き方は、過去記事をご参照ください。

Translator（翻訳）の規模が変わりました

以前：英語 ⇔ 8言語
現在：任意の2言語間で直接翻訳（英語を経由しない）＋ EU公用語24言語 を含む

英語ピボットが要らなくなったのは、日本語⇔他言語を扱う私たちからすると、素直に嬉しい変化です。

→ 基本の叩き方。

Summarizer（要約）

ハンズオンは既出です。今回リリースされた Speech Summarization（録音→要約まで一気通貫）とは別物です。

→ 基本の叩き方。

補足：開発者サイト（developers.zoom.us）のリニューアル
AI Services のトップ導線・ナビゲーションが刷新されていました。過去記事の スクショやメニュー位置が現行と食い違う 可能性があります。本シリーズでも、画面キャプチャは「執筆時点のもの」としてご理解ください。リンク切れを見つけられた際は、コメントで教えていただけると助かります🙏

次回予告

2本目：1リクエストで完結する新 API —「Speech Summarization × Decisions」
商談音声を Speech Summarization（SSE）で要約し、その結果を Decisions に渡して「受注見込み（score）」「次のアクション（choice）」を 構造化判定 させるパイプラインを作ります。
- ⚠️ 事前検証タスク：Speech Summarization の日本語音声対応 と Decisions の日本語入力。ここが通らないと題材を差し替えるので、2本目の冒頭で結果を報告します。
3本目：Voice Agent（単独）
音声認識＋LLM＋TTS を一体化したパイプライン（自前 LLM も差し込めます）。Live Scribe（WebSocket）回の続編として繋げます。

まとめ

Zoomtopia 2026 で AI Services は 新サービスが一気に追加（Speech Summarization / Decisions / Interpreter / Voice Agent など）され、既存 API（Scribe / Translator）も強化 されました
コードを書く前に ** でノーコード体験** しておくと、「入力→サービス→出力」の地図が頭に入り、実装が速くなります
Portal の テンプレート選択・引用付き出力 は、そのまま API のパラメータ・レスポンスに対応します
新 API は発表時点でいずれも Available now ですが、仕様・画面は今後更新されうるので、実装前に最新ドキュメントでご確認ください

参考リンク

Zoom broadens its developer platform with new AI Services, MCP expansion, and a unified Platform Studio（Zoomtopia 2026 / 開発者向け発表）

AI Services - Zoom Developer Docs

筆者の過去記事一覧 - Qiita