コンテンツにスキップ

Claude Code と Cloudflare Workers AI で5種類のAIを動かすデモサイトを作る

自分の API キーも GPU も用意せず、Cloudflare の上で AI モデルを動かす。それが Cloudflare Workers AI。本記事では 翻訳・要約/カテゴリ分類/画像キャプション生成/画像生成/音声書き起こし という毛色の違う5つの AI を、1つの Worker にまとめて「AI デモサイト」を作る。

題材は5つだが、やることはどれも同じ。env.AI.run("モデル名", 入力) を呼ぶだけ。認証もサーバー構築も要らず、無料枠の範囲で一通り動かせる。

本記事は応用編。ロードマップの Wranglerハンズオン を完了している前提で進める。Wrangler で手元から直接デプロイする方式なので、GitHub も Git連携も不要。

▶ 作例サイト: wai-sample.vibecodingnotes.com:この記事で作る5つのAIデモの完成版。画面は誰でも開けるが、Workers AI の使用量を抑えるため、AI を実際に動かす(API 呼び出し)にはパスワードが必要。

「AI を使ったサービスを作ってみたい」と思ったとき、まず思い浮かぶのは OpenAI や Claude の API かもしれない。ただしそれらは API キーの発行・課金設定・キーの秘匿管理が必要で、最初の一歩としてはハードルが高い。

Cloudflare Workers AI なら、Worker に AI バインディング を1行足すだけで、キーの管理なしに AI を呼べる。品質は Claude や GPT の上位モデルには遠く及ばないが、「翻訳」「要約」「画像の説明」「画像生成」「文字起こし」くらいの用途なら場合によっては十分実用になる。

本記事では、その Workers AI を 試して感触をつかむ ことをゴールにする。5つのデモを1つずつ作り、実装するたびにデプロイして公開サイトで動作を確かめながら 進める。

1ページに5つのタブを並べ、それぞれが別の AI モデルを呼ぶデモサイト。

タブやること使うモデル
翻訳・要約テキストを日本語⇄英語に翻訳、長文を要約Gemma 4
カテゴリ分類問い合わせ文を内容でカテゴリに振り分けclef-flash(判定モデル)
画像キャプションアップした画像に何が写っているか説明Gemma 4(翻訳・要約と同じモデル)
画像生成テキストから画像を生成してダウンロードFLUX.1 [schnell]
音声書き起こし音声ファイルを文字起こしWhisper

全体像。フロントエンド(public/)は静的ファイルとして配信し、/api/* へのリクエストだけ Worker が処理して Workers AI を呼ぶ。

sequenceDiagram
    participant pg as ブラウザ(5タブUI)<br>=フロントエンド
    participant wk as Worker(/api/*)<br>=バックエンド
    participant ai as Workers AI<br>(各モデル)
    pg->>wk: 静的ファイル(index.html / app.js / style.css)を要求
    wk-->>pg: Static Assets を配信
    pg->>wk: fetch POST /api/translate など(入力データ)
    wk->>ai: env.AI.run("@cf/...", 入力)
    ai-->>wk: 推論結果
    wk-->>pg: JSON で返す
    Note over pg: 結果を画面に表示

構成はシンプル。public/ に置いた HTML/JS/CSS がそのまま配信され、API だけ Worker が引き受ける。

Cloudflare のグローバルな GPU 上で、オープンモデル(Gemma、Llama、FLUX、Whisper など)を サーバーレス で動かせるサービス。自分で GPU を借りる必要も、モデルをダウンロードする必要もない。Worker から env.AI.run() を呼ぶだけで AI に処理を任せられる。

Workers AI には70以上のモデルがあり、用途ごとに使い分ける。代表的なもの(2026年10月時点):

カテゴリ代表モデル本記事で使う
テキスト生成(翻訳・要約・チャット)Gemma 4、GPT-OSS、Qwen3、Llama 3.1 8B / 3.3 70B などGemma 4
マルチモーダル(画像+テキスト)Gemma 4、Llama 4 Scout、Mistral Small 3.1Gemma 4
画像生成FLUX.1 / FLUX.2、Leonardo(Lucid Origin・Phoenix)FLUX.1 [schnell]
音声認識(文字起こし)Whisper、Deepgram Nova 3Whisper large v3 turbo
判定(分類・はい/いいえ・段階評価)clef-flash / clef / clef-omniclef-flash
埋め込み(検索・RAG用)BGE、Qwen3 Embedding、PLaMo(日本語特化)なし

本記事ではこのうち5カテゴリを1つずつ試す。同じ env.AI.run() でモデル名を差し替えるだけで、まったく毛色の違う AI に切り替わるのが Workers AI の手軽さ。

モデルの全一覧は公式の Workers AI Models カタログ で見られる。各モデルのページにモデルID(@cf/...)・入出力・コード例・料金が載っている。Cloudflare ダッシュボードの Workers & Pages → AI → Models からも一覧できる。
ダッシュボードの一覧には、Cloudflare の外の会社のモデル(Third-party。動画生成の Kling や Veo など)も並び、2026年10月時点で267件と出る。こちらも同じ env.AI.run() で呼べるが、Neuron の無料枠や Workers Paid の請求とは別料金で、先に買っておく AI Gateway のクレジットから引かれる。本記事で使うのは、無料枠で試せる Workers AI のモデル(@cf/...)だけ。

  • 無料枠: 1日あたり 10,000 Neurons(毎日 00:00 UTC=日本時間9時にリセット)
  • 超過分: $0.011 / 1,000 Neurons(1ドル150円なら約1.65円)

Neuron は Workers AI の利用量を測る単位。モデルや入出力の量に応じて消費される。

分量の目安:

用途1回あたりの目安無料枠(1万 N)でできる回数
Gemma 4 で短文を翻訳・要約約 1〜4 N約 2,500〜1 万回
clef-flash でカテゴリ分類約 1 N 未満(単価からの計算)約 1 万回以上
Gemma 4 で画像のキャプションを生成(1024×1024)約 3〜6 N約 1,600〜3,300 回
FLUX.1 [schnell] で 1024×1024 の画像を生成(4ステップ)約 170 N約 58 枚
Whisper large v3 turbo で音声を文字起こし約 47 N/分約 210 分

上の「1回あたり」の数値は推測ではなく、各モデルへ実際にテスト送信して測った値。FLUX.1 [schnell] と Whisper は2026年6月12日に、Cloudflare ダッシュボードの消費量から逆算した(固定入力を既知の回数だけ呼び、差分を割って算出)。Gemma 4 は2026年10月29日に測った。Gemma 4 のような新しいモデルは、返り値の usage.neurons に1回ごとの消費量が入っている。ただし料金体系は変わることがあるので、正確な現在値は自分のダッシュボードで確認するとよい。なお、カテゴリ分類の clef-flash だけは2026年10月に差し替えたモデルで、ダッシュボードでの実測はしていない。値は料金ページの単価(入力トークン100万あたり $0.038、出力は無料)から計算した。

実際の消費は入出力の長さやステップ数で変わる。テキスト系(翻訳・要約・キャプション)は数 N と安いが、とくに 画像生成は1枚あたり約170 N(テキスト処理の数十倍)と重く、無料枠が一気に減る(ステップ数を増やすとさらに増える)。正確な消費量は Cloudflare ダッシュボードの Workers & Pages → AI で確認できる。実際、このデモを作る中で消費した Neuron の9割以上が画像生成だった。

公式の料金ページ には、モデルごとの単価(入出力トークン100万あたり、画像のタイルとステップあたり、音声1分あたり)が Neuron 換算と並べて載っている。請求は今も Neuron 単位(2026年10月に確認)。本格運用する前に、使うモデルの行を見ておくとよい。

2-3. 無料枠を超えたらどうなるか

Section titled “2-3. 無料枠を超えたらどうなるか”

「うっかり使いすぎて高額請求が来ないか」が気になるところ。挙動はプランで変わる。

プラン無料枠を超えると
Workers Free(無料のまま)その日のリクエストが エラーで止まる。課金はされない。00:00 UTC(日本時間 朝9時)にリセットされ、翌日また無料枠が復活する
Workers Paid(月 $5 のサブスク)超過分が 自動的に従量課金($0.011 / 1,000 Neurons)。超過を止めるハードな上限スイッチはない

無料プランのままなら、勝手に課金されることはない。 無料枠を使い切ると「その日は打ち止め、翌日また使える」という動きになる。まず試す段階では Free のままが安心。
逆に Paid プランにすると無料枠を超えた分は自動で課金されるので、本格運用するなら Worker 側にレート制限を入れる・ダッシュボードで使用量を監視する、といった備えをしておくとよい。

個人で試す範囲なら、まず無料枠を超えない。 仮に超えても、無料枠1日分(1万 Neurons)を追加で使って約17円。本記事のデモを一通り試す程度では誤差レベル。

ここからは実際に手を動かして、Workers AI のデモサイトを作っていく。まずは準備から。

3-1. 作業フォルダを作って Claude Code を起動

Section titled “3-1. 作業フォルダを作って Claude Code を起動”

新しく作った作業フォルダ ~/claude/workers-ai-demo を Claudeデスクトップアプリで開く。

名前は別のものでもよい。以降 workers-ai-demo と出てきたら自分のプロジェクト名に読み替える。

公開ファイルは public/ 配下、Worker のコードは src/index.js、設定ファイルはルート直下に置く構成にする。

Wrangler ハンズオンを完了していれば、Node.js と Wrangler ログインは済んでいるはず。下記コマンドで確認する。

Terminal window
npx wrangler whoami

アカウント名やメールアドレスが表示されればOK。表示されない場合は Wranglerハンズオンの2章 を参照してインストール・ログインする。

設定ファイル(wrangler.jsonc)、画面(public/)、Worker(src/index.js)をまとめて作る。各 API の中身は次の章から1つずつ作るので、ここでは入れ物だけ用意する。

プロンプト
Cloudflare Workers AI のデモサイトの骨組みを作ってください。Worker 1つの構成で、画面は public の静的ファイル、/api/ だけを Worker が処理します。各 API の中身は後で1つずつ実装するので、今は空でよいです。
- wrangler.jsonc:名前は workers-ai-demo、Worker は src/index.js、静的ファイルは public(binding 名は ASSETS)、Workers AI の binding 名は AI
- 画面(public/index.html・style.css・app.js):タイトルは「Cloudflare Workers AI デモ」。5つのタブを切り替える1ページで、各タブは次のとおり
- 翻訳・要約:テキストと「翻訳」「要約」ボタン。/api/translate に mode(translate か summarize)と一緒に送り、result を表示
- カテゴリ分類:カテゴリ(技術トラブル/料金・支払い/使い方の質問/解約・退会)の説明、テキスト、「分類」ボタン。/api/classify に送り、result(判定)、confidence(確信度)、scores(カテゴリごとの確率)を表示
- 画像キャプション:画像の選択とプレビュー、「この画像を説明」ボタン。/api/caption に送り、caption を表示
- 画像生成:プロンプトと「生成」ボタン。/api/image に送り、返った image を表示してダウンロードもできるようにする
- 音声書き起こし:音声ファイルの選択と「文字起こし」ボタン。/api/transcribe に送り、text を表示
- 画像と音声は base64 にして JSON で送る。処理中は「処理中…」と出す
- Worker:上の5つの /api/ を別々の関数に振り分ける。それ以外の /api/ は 404 を JSON で返し、残りのパスは静的ファイルを返す
- 使うモデルの ID は src/index.js の先頭にまとめる
====
翻訳・要約と画像理解:@cf/google/gemma-4-26b-a4b-it
判定:@cf/cloudflare/clef-flash
画像生成:@cf/black-forest-labs/flux-1-schnell
音声:@cf/openai/whisper-large-v3-turbo

AI バインディング:wrangler.jsonc に "ai": { "binding": "AI" } と書くだけで、Worker から env.AI.run(...) で Workers AI を呼べるようになる。API キーは不要。認証は Cloudflare アカウントに紐づくので、コードに秘密情報を書かなくて済む。

Static Assets と Worker の共存:Workers Static Assets は「マッチする静的ファイルがあればそれを配信し、無ければ Worker のコードを動かす」という動きをする。/ や /app.js はファイルが配信され、/api/translate はファイルが無いので Worker が処理する。1つのプロジェクトでフロントとバックエンドが同居できる。

骨組みができたら、まず一度 Wrangler でデプロイして公開 URL を用意する。本記事では タブを1つ実装するたびにデプロイして、公開サイトでそのタブの動作を確認する 流れで進める。

Terminal window
npx wrangler deploy

完了すると公開 URL が表示される。

https://workers-ai-demo.〇〇.workers.dev

この URL を開くと、5つのタブを持つ画面が表示される。ただし /api/* の中身がまだ無いので、ボタンを押すとエラーになる。次の章から1つずつ中身を実装し、そのたびにデプロイして確認していく。

手元で素早く試したいときは npx wrangler dev でローカルサーバー(http://localhost:8787)も使える。ただし Workers AI の呼び出しはローカル実行でも Cloudflare 上で動くため、無料枠の Neuron を消費する点は同じ。本記事では公開サイトでの確認に統一する。

最初のデモ。テキストを受け取り、Gemma 4 に翻訳または要約させる。messages の システムプロンプト を切り替えるだけで、同じモデルを翻訳にも要約にも使える。

このデモで使うモデル:Gemma 4(@cf/google/gemma-4-26b-a4b-it)

項目内容
提供・種類Google / オープンモデル。全体は260億パラメータで、1回の処理で動かすのは40億パラメータ分(MoE)
得意なこと翻訳・要約・チャットなど、テキスト→テキスト全般。画像も読めるので、7章の画像キャプションでも使う
日本語日本語⇄英語の翻訳・要約は自然。2026年10月に Llama 3.1 8B と比べたところ、Llama が意味を逆に取った文や理由を落とした文も正しく訳した
コスト目安短文の翻訳で約1〜1.5 Neurons、短い要約で約4 Neurons。文章が長いほど増える
プロンプト
src/index.js の handleTranslate を実装してください。
- リクエストボディの JSON から text と mode を取り出す
- text が空なら 400 でエラーを返す
- mode が "summarize" なら「日本語で3行以内に要約」するシステムプロンプトにする
- 翻訳のときは、テキストに日本語が含まれていれば英語へ、なければ日本語へ訳す。向きはコード側で判定し、モデルには「◯語に翻訳する」という1つの指示だけ渡す
- env.AI.run(MODELS.text, { messages: [...] }) を呼ぶ。考える過程(reasoning)は要らないので、chat_template_kwargs: { enable_thinking: false } を渡して止める
- 結果の choices[0].message.content を { result } として返す
- エラーは try/catch で 500 を返す

実装できたらデプロイする。

Terminal window
npx wrangler deploy

公開サイトの「翻訳・要約」タブを開き、テキストを入れて「翻訳」を押す。日本語なら英語に、英語なら日本語に訳されれば成功。「要約」を押せば長文が数行に圧縮される。

翻訳・要約タブで日本語の長文を英語に翻訳した画面

チャット系モデルの基本形:Gemma 4 のようなテキスト生成モデルは messages の配列で会話を渡す。role: "system" で「どう振る舞うか」を指示し、role: "user" で入力を渡す。Gemma 4 の返り値は OpenAI と同じ形で、choices[0].message.content に生成テキストが入る(Llama 3.1 のような古いモデルは response に入る)。翻訳・要約・分類・チャットなど、テキスト→テキストの用途はすべてこの形。

考える過程を止める:Gemma 4 は既定では、答える前に考える過程(reasoning)を出力する。翻訳のような単純な仕事には要らず、止めないと時間も Neuron も10倍以上かかった(2026年10月の実測で1件 10〜27秒・13〜25 N。止めると1秒前後・1〜4 N)。chat_template_kwargs: { enable_thinking: false } を渡すと止まる。この指定は公式のモデルページには書かれていない(2026年10月時点)。

モデルには「判断」を任せすぎない:当初(Llama 3.1 8B を使っていたころ)は「日本語なら英語に、そうでなければ日本語に」とモデル自身に翻訳の向きを判断させていたが、時々それを間違え、同じ言語で言い換えてしまうことがあった。翻訳の向きをコード側で決め、モデルには「英語に翻訳して」と1つの仕事だけ渡すと安定する。Gemma 4 に替えたあとも、この作りのままにしている。

6. デモ2: カテゴリ分類(clef-flash)

Section titled “6. デモ2: カテゴリ分類(clef-flash)”

問い合わせ文を「技術トラブル/料金・支払い/使い方の質問/解約・退会」に振り分ける。使うのは Cloudflare が作った判定用のモデル。文章を書くモデルではなく、「状態」(ここでは問い合わせ文)と「質問」を渡すと、答えを確率つきで返す。質問の型は3つある。

型聞けること返ってくるもの
choiceどれに当てはまるか(選択式)選んだ答えと、選択肢ごとの確率
noulはい/いいえ「はい」の確率
score何段階のどこか(「影響なし」〜「深刻」など)確率で重みを付けた段階

カテゴリ分類には choice を1つ使う。カテゴリの名前と説明を渡すだけで、学習データもファインチューニングも要らない(こうした分類は「ゼロショット分類」と呼ばれる)。カテゴリを増やしたいときは、名前と説明を1行足すだけ。

このデモで使うモデル:clef-flash(@cf/cloudflare/clef-flash)

項目内容
提供・種類Cloudflare / 判定用のモデル(90億パラメータ)
得意なこと分類・はい/いいえの判定・段階評価。入力は文章・JSON・画像・動画
特徴文章は生成せず、答えを確率と確信度(confidence)で返す。大きい版に clef(270億パラメータ)、音声も読める clef-omni がある
コスト目安入力のトークンにだけ課金され、出力は無料。短い問い合わせなら1回あたり1 Neuron 未満(単価からの計算)

Jev とほぼ同じ使い方:外部のモデル(2-1 の囲みで触れた、AI Gateway 経由の別料金のもの)にある TypeSafe の Jev も、同じ noul/choice/score の型で質問を渡し、確率つきで答えを返す判定モデル。入力の形(state と questions)もほぼ同じなので、Jev を触ったことがあれば clef-flash もそのまま使える。clef-flash は Cloudflare のモデルなので、Neuron の無料枠で試せる。

実装は、Worker に分類 API を作る。フロントの「カテゴリ分類」タブは4章の骨組みで作成済み。

プロンプト
src/index.js に handleClassify を実装し、/api/classify ルートを追加してください。
- カテゴリ定数 CATEGORIES を用意する。各カテゴリは name(表示名)と desc(説明)を持つ:
- 技術トラブル: ログインできない、エラーが出る、動かないといった技術的な不具合の報告
- 料金・支払い: 料金や請求金額、支払い方法に関する問い合わせ
- 使い方の質問: 機能の使い方や操作方法がわからないという質問
- 解約・退会: 解約や退会、サービスの利用停止をしたいという依頼
- リクエストの JSON から text を取り出す。空なら 400
- clef-flash に text を state として渡し、「この問い合わせはどのカテゴリに当てはまるか」を choice 型の質問で聞く。選択肢は CATEGORIES の name、それぞれの説明は desc
- { result: 選ばれたカテゴリ名, confidence: 確信度, scores: [{name, score}...](確率の高い順)} を返す
- MODELS に decision: "@cf/cloudflare/clef-flash" を追加する

質問文(instructions)は日本語で書いてよい。英語で書いた場合と比べたところ、20件の問い合わせ文で判定は同じだった。

実装できたらデプロイする。

Terminal window
npx wrangler deploy

公開サイトの「カテゴリ分類」タブを開き、問い合わせ文を入れて「分類」を押す。「ログインするとエラーが出ます」→技術トラブル、「先月の請求が二重になっているようです」→料金・支払い、「プロフィール画像の変え方がわかりません」→使い方の質問、「今月いっぱいで解約したいです」→解約・退会、のように振り分けられ、カテゴリごとの確率と確信度も表示される。

問い合わせ文を4カテゴリに振り分け、確率と確信度を表示したカテゴリ分類タブ

確信度が低いものは人に回す:迷う文では確信度が下がる。たとえば「クレジットカードを変更したいのですが」は、使い方の質問(確率 0.54)と解約・退会(0.36)の間で迷い、確信度は 0.23 だった。はっきりした文では 0.86〜0.98 になる。確信度が一定より低いものは自動で振り分けず人が見る、という作りがしきい値1つで書ける。

7. デモ3: 画像キャプション生成(Gemma 4)

Section titled “7. デモ3: 画像キャプション生成(Gemma 4)”

アップロードされた画像に何が写っているかを説明させる。5章の翻訳・要約で使った Gemma 4 は、テキストと画像を同時に理解できる マルチモーダル なモデルなので、同じモデルに画像とプロンプトを一緒に渡せばよい。

このデモで使うモデル:Gemma 4(@cf/google/gemma-4-26b-a4b-it、5章と同じ)

項目内容
得意なこと画像の説明、画像の中の文字や画面の読み取り、画像を見ながらの質問応答
特徴翻訳・要約と同じモデルで済む。2026年10月に Llama 4 Scout と比べたところ、説明の質は同じくらいで、Neuron は約20分の1だった(Scout は画像1枚で約50〜70 N)
コスト目安1024×1024 の画像1枚で約3〜6 Neurons
プロンプト
src/index.js の handleCaption を実装してください。
- リクエストボディの JSON から image(base64)と prompt を取り出す
- image が無ければ 400
- data URI 形式("data:image/...;base64,...")で来ても base64 本体だけ取り出すようにする
- prompt が無ければ「この画像に何が写っているか日本語で簡潔に説明してください」をデフォルトにする
- env.AI.run(MODELS.text, { messages: [...] }) を呼ぶ。messages の content は
[{ type: "text", text: 質問 }, { type: "image_url", image_url: { url: "data:image/jpeg;base64," + b64 }}]
- 翻訳・要約と同じく、chat_template_kwargs: { enable_thinking: false } を渡して考える過程を止める
- 結果の choices[0].message.content を { caption } として返す

ポイントは content を 配列 にして、テキストと画像を並べて渡すところ。

実装できたらデプロイする。

Terminal window
npx wrangler deploy

公開サイトの「画像キャプション」タブで、手元の写真を選んで「この画像を説明」を押す。たとえばラーメンの画像をアップすると、次のような説明が返ってくる。

{"caption":"湯気が立ち上る、チャーシュー、煮卵、海苔がのったラーメンが、和室のような落ち着いた空間に置かれています。"}

画像キャプションタブで画像の内容を説明させた画面

マルチモーダルモデルへの画像の渡し方:Gemma 4 は OpenAI 互換の形式を受け付ける。content を配列にして、type: "text" のテキストと type: "image_url" の画像を並べる。画像は data:image/jpeg;base64,.... という データ URI の文字列で渡せばよい。

8. デモ4: 画像生成(FLUX.1 [schnell])

Section titled “8. デモ4: 画像生成(FLUX.1 [schnell])”

テキストから画像を生成する。FLUX.1 [schnell] は画像生成のモデルの中では速くて軽い。

このデモで使うモデル:FLUX.1 [schnell](@cf/black-forest-labs/flux-1-schnell)

項目内容
提供・種類Black Forest Labs / テキストから画像を生成するモデル
特徴少ないステップ(既定4)で速く生成。schnell はドイツ語で「速い」の意味
コスト目安1024×1024・4ステップで約170 Neurons(無料枠で1日およそ58枚)。テキスト処理の数十倍で、無料枠を一気に使う
使い分けschnell は速さ重視の軽量版で、より高品質な FLUX.1 [dev] 等はさらに重い。手軽に試す用途向き
プロンプト
src/index.js の handleImage を実装してください。
- リクエストボディの JSON から prompt を取り出す。空なら 400
- env.AI.run(MODELS.image, { prompt, steps }) を呼ぶ。steps は 1〜8 に収める(無ければ 4)
- 返り値の image(base64 のJPEG)をそのまま { image } として返す

フロント側(app.js)では、返ってきた base64 を data:image/jpeg;base64,... の形にして <img> の src に入れれば表示できる。同じ文字列をダウンロードリンクの href に入れれば、そのまま保存もできる。

画像の保存に R2 は要らない:生成画像をサーバーに保存して URL で配る使い方もできる(その場合は R2 ストレージを使う)。だが「生成してその場でダウンロードできればよい」なら、base64 をブラウザに返して <a download> で保存させるだけで完結する。今回はこの軽い方式を採る。

実装できたらデプロイする。

Terminal window
npx wrangler deploy

公開サイトの「画像生成」タブで a cute robot reading a book in a cozy library, warm light(暖かい光の図書館で本を読むかわいいロボット)のように入力すると、数秒で 1024×1024 の画像が生成され、ダウンロードリンクから保存できる。

画像生成タブでテキストから画像を生成した画面

プロンプトは英語のほうが安定する。日本語で書いても通じるが、思い通りの絵にしたいときは英語で具体的に指定するとよい。

9. デモ5: 音声書き起こし(Whisper)

Section titled “9. デモ5: 音声書き起こし(Whisper)”

最後は音声ファイルを文字起こしする。ライブ録音の仕組みは作らず、音声ファイルをアップロードする だけのシンプルな形にする。

このデモで使うモデル:Whisper large v3 turbo(@cf/openai/whisper-large-v3-turbo)

項目内容
提供・種類OpenAI / 音声認識(音声→テキスト)モデル
得意なこと多言語の文字起こし。task: "translate" を指定すると英語への翻訳もできる
特徴turbo 版は通常の large v3 より高速。言語は自動判定される
コスト目安音声1分あたり約47 Neurons(無料枠で1日およそ210分=3.5時間)
プロンプト
src/index.js の handleTranscribe を実装してください。
- リクエストボディの JSON から audio(base64)を取り出す。無ければ 400
- data URI 形式なら base64 本体だけ取り出す
- env.AI.run(MODELS.speech, { audio: b64 }) を呼ぶ
- 結果の text(無ければ transcription_info.text)を { text } として返す

実装できたらデプロイする。

Terminal window
npx wrangler deploy

公開サイトの「音声書き起こし」タブで、手元の音声ファイル(.m4a や .mp3 など)を選んで「文字起こし」を押すと、テキストが返ってくる。これで5つのデモがすべて公開サイト上で動く。

音声書き起こしタブで音声ファイルを文字起こしした画面

Whisper の入力:音声データは base64 文字列を audio キーで渡す。.m4a .mp3 .wav など一般的な形式が使える。言語は自動判定されるが、はっきりした音声ほど精度が上がる。日本語の音声なら、入力 { audio, language: "ja" } のように言語を明示すると安定する。

手元に音声ファイルがなければ、Mac 標準の QuickTime Player(追加インストール不要)で手軽に録音できる。ファイル → 新規オーディオ収録 を選び、収録を開始 ボタンで話し、終わったら 収録を停止 を押す。あとは ファイル → 保存 で名前を付けて保存すれば .m4a 形式で書き出されるので、それをそのまま「音声書き起こし」タブにアップロードすればよい。なお品質を 最高 にすると .m4a ではなく非圧縮の AIFF になるため、.m4a が欲しいときは品質を既定の 高 のままにしておく。

Workers AI には70以上のモデルがある。今回使った5つ以外にも選択肢は多い。品質と用途の目安:

やりたいこと目安
翻訳・要約・チャット・画像の説明Gemma 4。考える過程を止めれば速くて安い
分類・はい/いいえの判定・段階評価clef-flash。確率と確信度つきで返る
込み入った文章生成・複雑な指示GPT-OSS 120B などの大きいモデル。Neuron を多く使う
画像生成(手軽に大量)FLUX.1 [schnell]。速くて無料枠に優しい
文字起こしWhisper

Workers AI のモデルは、Claude や GPT の 上位モデルには品質で遠く及ばない。「賢さ」で勝負する用途は Claude API などに任せ、Workers AI は 「気軽・安い・エッジで速い」 が求められる用途で使うのが現実的な棲み分け。重い処理は Claude、軽い常時処理は Workers AI、と役割分担で組み合わせるとよい。

このデモは「誰でも使えるページ」なので、API(/api/*)も誰でも呼び出せる。AI の呼び出しは自分のアカウントの Neuron を消費するため、ハンズオンが終わったら公開したまま放置せず、止めておくのがおすすめ。

何が守れて何が守れないかを整理しておく。

  • 隠せているもの: AI を呼ぶのは Worker(サーバー側)なので、アカウントや binding といった「鍵」はブラウザに出ていない。外から見えるのは「入口(API のURL)」と「結果」だけ
  • 隠せないもの: ユーザーが自由に入力するデモである以上、ブラウザから呼び出せる入口は必ず必要で、これを完全に隠すことはできない。Origin チェックやレート制限で「自分のページからの利用」に近づけることはできるが、絶対ではない。きちんと守るなら Cloudflare Access や Basic認証 で認証をかける

試し終えたら、次のどちらかをしておくとよい。

(a) Worker ごと削除する(いちばん確実)

Terminal window
npx wrangler delete

URL ごと消える。また使いたくなったら npx wrangler deploy で再公開すればよい。

(b) API を一時的に無効化する(URL は残しておきたいとき)

src/index.js の先頭にスイッチを置き、/api/* を止めておく方法もある。Claude Code にこう頼む。

プロンプト
src/index.js に API を一時停止できるスイッチを追加してください。
ファイルの先頭に const API_ENABLED = false; を置き、
/api/ で始まるリクエストは API_ENABLED が false のときは
503 エラー(JSON)を返すようにしてください。
true に戻してデプロイし直せば元どおり動くようにします。

使いたいときだけ true に戻して npx wrangler deploy し直す。無効化中はボタンを押してもエラーになるだけで、AI は呼ばれない=Neuron も消費されない。

無料枠の消費状況は Cloudflare ダッシュボードの Workers & Pages → AI で確認できる。