DeepSeek、アプリの検索や音声などの機能をAPIで公開

2026年11月14日 8:172026年11月14日 8:23

文：AB通信編集部｜運営：株式会社abcompany

平山大樹　AB通信運営責任者

AB通信編集部が、企業・行政の公式発表や決算資料などの一次情報を確認して書いています。運営会社・編集方針

この記事のポイント

DeepSeekは2026年11月13日、アプリやウェブ版で使われてきたウェブ検索、ファイル入力、URL読み取り、安全チェック、音声の機能を、開発者向けのAPIとして公開したと公式の更新履歴で案内しました
会話用の既存API（Messages、Responses、Chat Completions）で、モデル「deepseek-flash」にツールやパラメーターを指定すると使えます。検索やページ取得はサービス側が実行します
ウェブ検索は思考を切った状態、複数の推論ステップで検索とページ閲覧を進める「深い思考検索」は思考を入れた状態で、いずれもツール「deepseek_web_search」を有効にします
OCR、文字起こし（ASR）、読み上げ（TTS）、検索とページ取得は、単体のAPIとしても使えます
料金は、OCRが1,000ページあたり0.225ドル、読み上げが1万文字あたり0.45ドル、文字起こしが音声1時間あたり0.116ドルです。読み上げと文字起こしは期間限定で半額です

アプリの検索や音声などの機能が、APIで公開されました

DeepSeekは、公式のAPI更新履歴で、2026年11月13日付けの更新として、アプリケーション向けAPI一式の公開を案内しました。アプリやウェブ版のDeepSeek Chatでは、ウェブ検索、ファイル入力、URL読み取り、音声のやりとり、安全のための仕組みが、モデルの推論と組み合わさって会話の体験をつくっています。今回、これらの機能を開発者向けに開き、既存のAPIで対応するパラメーターを有効にすると、ウェブ検索、ファイル入力、URL読み取りなどの会話機能が使えるようになるとしています。ツールの呼び出しと文脈の組み立ては、サービス側が担います。

対象になるのは、モデル「deepseek-flash」で、Messages API、Responses API、Chat Completions APIから利用できます。使い方は公式ガイド「Build a Chatbot」にまとめられています。料金は公式の料金ページに掲載されています。

今回の内容は、DeepSeekの更新履歴にも11月13日付けで反映しています。検索とページ取得の単体APIは、10月17日にも公開されており、当時の内容はSearch / Fetch APIの解説記事にまとめています。

図：DeepSeekの会話APIで有効にする機能（ウェブ検索、ファイル入力、URL読み取り、安全チェック）と単体API（OCR、文字起こし、読み上げ、検索とページ取得） — 出典：DeepSeek API Docs「Change Log」（2026年11月13日）、「Build a Chatbot」（2026年11月14日確認）をもとにAB通信が作成

会話APIで有効にするもの

公式の更新履歴と「Build a Chatbot」によると、deepseek-flashは、次の機能に対応しています。

ウェブ検索と、深い思考検索

公式ガイド「Web Tools」によると、ツール「deepseek_web_search」を有効にすると、モデルがオンラインに出るかを判断し、検索とページ取得はサービス側で実行されます。クライアント側でツールを実行する必要はありません。

ウェブ検索：思考を切った状態で「deepseek_web_search」を有効にします。質問の内容に応じて、ウェブ検索や画像検索を行い、出典付きで答えます
深い思考検索（Deep thinking search）：思考を入れた状態で、同じ「deepseek_web_search」を有効にします。複数の推論ステップを通して、モデル自身が検索し、リンクを開き、事実を確認しながら答えを組み立てます

ファイル入力

公式ガイド「File Parsing」によると、PDF、Word、PowerPoint、画像などをFiles APIにアップロードし、返ってきたファイルIDを会話のリクエストで指定します。解析はアップロードの時点で行われ、解析が成功してからファイルIDが返ります。解析の目的は2つあります。

text_recognition：テキストだけを渡します。文書内のグラフ、写真、図は除かれます。契約書や論文など、文字が中心の文書向けです
rich_layout_recognition：テキストに加えて、グラフや写真、図も切り出して、元の位置のままモデルに渡します。図表を含む報告書やスライド向けです

図の検出と切り出しは自動で、すべての図が検出されるとは限らない、と公式ガイドは注記しています。1回のリクエストで参照できる文書は最大20件、テキストの合計は最大8MiBです。同じファイルIDを繰り返し指定した場合も、それぞれ件数と容量に数えます。上限を超えると、リクエストは400エラーになります。

URL読み取り

ツール「deepseek_read_url」を有効にすると、利用者のメッセージにあるリンクをモデルが見つけ、ページを取得して、その内容を踏まえて答えます。公式ガイドによると、確認の対象は直近の利用者メッセージだけで、重複したURLは1回と数え、メッセージ内の異なるURLは先頭から最大10件までが対象です。そのうえで、どれを読むかはモデルが判断します。

思考を入れた状態で「deepseek_web_search」も指定している場合は、その会話の回合は深い思考検索として扱われ、リンクの読み取りは別途行われません。リンクの読み取りが使われるのは、思考を切っているときか、「deepseek_read_url」だけを指定しているときです。

安全チェック

公式ガイド「Model Content Safety」によると、パラメーター「safety_check」を {"level": "high"} にすると、基本的なリスク管理が有効になり、モデルの入力と出力が審査されます。「low」は指定しない場合と同じ、APIの標準的な内容確認です。

審査を通らない場合は、リクエストが「400 Content Exists Risk」になるか、応答が拒否（refusal）で終わります。公式ガイドは、このパラメーターは事業者としての義務（コンテンツの安全審査など）に代わるものではなく、安全審査の第一の責任は事業者側にある、としています。一般向けのサービスを提供する場合は、このパラメーターを有効にし、コンテンツの安全審査、大規模モデルの届出、AIであることの表示などの義務を自ら果たすよう案内しています。

OCR、文字起こし、読み上げは単体のAPIでも使えます

公式の更新履歴によると、こうした機能の基盤と音声の機能は、単体のAPIとしても提供されます。検索とページ取得（Search / Fetch）、OCR、文字起こし（ASR）、読み上げ（TTS）です。

OCR

公式ガイド「OCR」によると、エンドポイントは POST https://api.deepseek.com/v1/tools/ocr です。PDF、Word、PowerPoint、画像（PNG、JPEG、WebP、GIF、BMP、TIFFなど）の文字を、ページごとに認識して返します。ファイルはFiles APIには保存されず、会話モデルにも渡されません。文書について質問させたい場合は、ファイル入力（File Parsing）を使います。

目的は会話のファイル入力と同じく、「text_recognition」と「rich_layout_recognition」から選びます。ファイルサイズの上限は100MiB、ページ数の上限は1,000ページです。認識に成功したページ数で課金され、失敗や時間切れは課金されない、と公式ガイドは説明しています。

文字起こし（ASR）

公式ガイド「Speech to Text」によると、エンドポイントは POST https://api.deepseek.com/v1/tools/asr です。音声ファイルを1回のリクエストで送り、書き起こしの全文が返ります。ストリーミング認識には対応していません。

形式は、16ビットPCMのWAV、またはOgg Opusです。形式はファイルの中身から判定されます
WAVのサンプリング周波数は、8000、16000、22050、24000、32000、44100、48000Hzに対応します
モノラルとステレオに対応しますが、ステレオの場合は左チャンネルだけが認識されます
ファイルサイズは最大8MiB、長さは最大120秒です
対応言語には日本語が含まれます。言語の指定欄はなく、音声から判定されます

読み上げ（TTS）

公式ガイド「Text to Speech」によると、テキストを音声に変換できます。チャットボットの答えを読み上げる用途が例として挙げられています。送り方は2つあります。

全文一括：POST https://api.deepseek.com/v1/tools/tts に、読み上げるテキストをJSONで送ります。音声は応答本体でストリームされます
ストリーミング：WebSocket（wss://api.deepseek.com/v1/tools/tts）で、テキストを分割して送ります。モデルが答えを生成している途中でも使えます

声は「stella」（女性、指定しない場合はこちら）と「tide」（男性）の2つです。対応言語には日本語が含まれます。言語の指定欄はなく、テキストから判定されます。1回のリクエストで送れるのは、課金対象の文字数で最大1万文字、本文は最大64KiBです。返る音声は1回あたり最大30分です。速さの変更や、中断したリクエストの再開には対応していません。

検索とページ取得

検索APIと取得APIは、エージェントやRAG向けに、公開中のウェブ情報へアクセスするための単体APIです。会話の中でモデル自身に検索やページ閲覧を任せたい場合は、前述のウェブツールを使います。単体APIの内容は、10月17日の解説記事でも扱っています。

OCR、読み上げ、文字起こしの料金

公式の料金ページ（2026年11月14日確認）によると、料金は次のとおりです。

図：DeepSeek APIの料金。OCRは1,000ページ0.225ドル、読み上げは1万文字0.45ドル（期間限定半額0.225ドル）、文字起こしは音声1時間0.116ドル（期間限定半額0.058ドル）、検索とページ取得は各1,000回0.75ドル — 出典：DeepSeek API Docs「Models & Pricing」「OCR」「Text to Speech」「Speech to Text」「Search & Fetch」（2026年11月14日確認）をもとにAB通信が作成

ファイル解析とOCR API：1,000ページあたり0.225ドル
読み上げ（TTS）：1万文字あたり0.45ドル。期間限定の半額は0.225ドル
文字起こし（ASR）：音声1時間あたり0.116ドル。期間限定の半額は0.058ドル。秒単位で課金され、1秒未満は1秒として数えます
検索（テキスト、画像）とページ取得：それぞれ1,000回あたり0.75ドル。単体APIでも、会話のウェブツール経由でも、同じ単価です

読み上げの文字数について、公式ガイドは、中国語の文字（Chinese character）は2文字、英字・数字・スペースなどはその他の文字として1文字と数える、と案内しています。期間限定の半額について、料金ページと各ガイドには終了日の記載はありませんでした。

使い方の例

公式ガイド「Build a Chatbot」では、ウェブツール、安全チェック、会話タイトルを有効にしたリクエストの例が示されています。Chat Completions APIの例は、次のとおりです（公式ガイドの記載に沿っています）。

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -d '{
    "model": "deepseek-flash",
    "thinking": {"type": "enabled"},
    "tools": [
      {"type": "deepseek_web_search"},
      {"type": "deepseek_read_url"}
    ],
    "safety_check": {"level": "high"},
    "title": {"enabled": true},
    "messages": [{"role": "user", "content": "What is new in DeepSeek V4.1?"}],
    "stream": true
  }'

この例では思考を有効にしているため、ウェブ検索は「深い思考検索」として動きます。通常のウェブ検索にしたい場合は、思考を切ります。Messages APIとResponses APIでも、同じ機能を使えます。エンドポイントとパラメーターの書き方は、公式ガイドにプロトコルごとの例があります。

OCRの単体APIは、公式ガイドによると次のように呼び出します。

curl https://api.deepseek.com/v1/tools/ocr \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -F purpose="text_recognition" \
  -F file="@document.pdf"

文字起こしと読み上げの例は、それぞれ公式ガイド「Speech to Text」「Text to Speech」に記載されています。

使うときの注意点

一般向けのサービスを提供する場合、公式は安全チェックを有効にし、コンテンツの安全審査、大規模モデルの届出、AIであることの表示などの義務を自ら果たすよう案内しています
安全チェックを有効にすると、モデルの出力が終わったあとも審査のために接続が維持され、その結果として拒否で終わることがあります。すでにストリームで届いた文章は取り消せないため、公式ガイドは、拒否で終わった場合は表示中の答えを消し、拒否のメッセージに差し替えるよう求めています。拒否の具体的な理由は返ってきません
拒否の前に消費したトークンは課金されます。安全審査そのもののトークンも、出力トークンとして課金されます
「deepseek_web_search」や「deepseek_read_url」を指定する、安全チェックを「high」にする、会話タイトルを有効にする、のいずれかがある場合、temperature や top_p など一部のパラメーターはサービス側が決めるため、リクエストの値は無視されます。max_tokens（Responses APIでは max_output_tokens）は、従来どおり使えます
文字起こしは、1回のリクエストあたり最大120秒、最大8MiBです。料金の単位は「音声1時間」ですが、長い音声は分割して送る必要があります
読み上げは、1回あたり課金対象で最大1万文字、音声は最大30分です。速さの変更や再開には対応していません
読み上げと文字起こしの半額は期間限定と案内されていますが、公式ページに終了日の記載はありません
公式は、これらのAPIを使ったデモのチャットクライアントを公開しています。APIキーを入れると試せ、DeepSeek Chatから書き出した会話履歴を取り込むこともできます。案内されているデモは cdn.deepseek.com/chat-demo、ソースコードは GitHub（deepseek-ai/chat-demo）です。公式によると、APIキー、会話、アップロードした画像はブラウザ内だけに保存され、デモは実演用です