speech-to-text API とは何ですか?

speech-to-text APIは音声を文字起こしします。録音をアップロードしたりURLを渡したり、ライブ音声をストリーミングすると、APIは対応モデルにタイムスタンプ、スピーカーラベル、字幕ファイル付きの文字起こしを返します。

モデルの種類

speech-to-textAPIが果たす役割

speech-to-text APIは文字起こしまたは自動音声認識(ASR)APIとも呼ばれ、音声や動画ファイル内の話し言葉をテキストに変換します。最も単純な結果は単なる文字起こしです。モデルによっては、APIは以下も返すことができます:

  • タイムスタンプ 各セグメントまたは単語ごとに、キャプションや検索可能な再生用。
  • スピーカーラベル 会話の各部分を言っていたあのマーク、日記化と呼ばれる機能。
  • 字幕ファイル SRTまたはVTT形式で。
  • フォーマット 句読点、数字や日付、個人情報の隠蔽など。
  • 翻訳 音声を英語に、あるいは字幕用に作られたモデルで他言語に翻訳する。

多くのモデルは話し言葉を自動的に検出し、製品名や専門用語などのキー用語のリストを受け入れて、それらをより確実に認識するものもあります。

ファイル文字起こしとライブ文字起こし

録音を希望する場合は送信してください。 ポスト/v1/audio/transcriptions モデルIDと、ファイルがマルチパートアップロードまたはそのHTTPS URLのいずれかを含んでいます file_url.APIは応答内の文字起こしを返します。長い文字起こしは代わりにジョブIDを返すこともあり、その位置でポルケーリングします 出て/v1/jobs/{job_id}、およびヘッダー 優先:レスポンス・アシンク すぐに職種IDを要求する。

通話やライブイベントなどの音声処理の場合、ライブ文字起こしモデルはテキストをストリーミングで返します。 リアルタイム音声 WebSocket at /v1/realtime.モデルによっては、話している間に部分的な単語が入り、各間に確定した文字起こしが届きます。

speech-to-text用途

  • 会議や電話。 トランスクリプトを渡す際に検索可能なメモや要約が LLM APIお問い合わせ.
  • 字幕と字幕。 動画、コース、ライブ配信用のタイム指定テキスト。
  • 音声入力。 アプリ内の音声入力、ボイスメッセージ、音声コマンド。
  • メディアアーカイブ。 ポッドキャストや動画を検索可能にする書き起こし。
  • ローカリゼーション。 他言語向けの動画を準備するための文字起こしや翻訳された字幕トラック。

転写モデル間を比較すべきこと

  • 音声の正確さ。 アクセント、背景ノイズ、クロストーク、ドメイン語彙を含む実際の録音でテストしてみてください。
  • 言語と方言。 必要な言語をすべてチェックし、言語を混ぜた音声も含めてチェックしてください。
  • 出力の詳細。 Word のタイムスタンプ、スピーカーラベル、字幕フォーマット、書式設定オプション。
  • ファイルかライブか。 ライブキャプションにはWebSocket経由でストリーミングできるモデルが必要です。完成した録画はファイルのエンドポイントに送られます。
  • プライス。 ほとんどの文字起こしモデルは音声の長さ(1分単位または1時間単位)で請求し、一部は音声トークン単位で請求されるため、録音時間が長くなるにつれてコストが増加します。

モデルの並べ比較 2つのモデルの性能とレートを一緒に表示します。

EmpirioLabs AIで文字起こしモデルを呼んでみて

閲覧する 転写モデル そして、録音をアップロードする Playground テストするには。モデルを呼び出すには、ダッシュボードでAPIキーを作成し、音声を送信します。 https://api.empiriolabs.ai/v1/audio/transcriptions.その 転写参照 リクエストフィールドと応答形式を一覧表示し、 リアルタイム音声APIガイド ライブの書き起こしを扱っています。

使った分だけ支払うか、週ごとの手当があるプランを選びましょう。現在の料金は プライシングページお問い合わせ.

EmpirioLabs AI の 転写 モデル

13 個のモデル。課金単位が同じものは安い順に並べています。各モデルのページに料金表の全体、パラメーター、コードがあります。

エンドポイント

POST /v1/audio/transcriptions WEBSOCKET /v1/realtime

音声の1分または1時間あたりの料金

モデル最低料金適用対象
StepAudio 2.5 ASR StepFun$0.05 音声の時間あたり転写
Qwen Audio 3.0 ASR Alibaba Cloud$0.252 音声の時間あたり転写
Whisper Large v3 Turbo OpenAI$0.042$0.005 音声の1分あたり制御転写
StepAudio 2.5 ASR Stream StepFun$0.40 音声の時間あたり転写
StepAudio 3 ASR Max StepFun$0.60 音声の時間あたり転写
Qwen Audio 3.0 ASR Stream Alibaba Cloud$0.648 音声の時間あたり転写
Deepgram Nova-3 Deepgram$0.014 音声の1分あたり転写
Deepgram Nova-3 Stream Deepgram$0.025 音声の1分あたり転写
OpenAI Whisper 1 OpenAI$0.030 毎分音声1分あたり

その他のモデル: Sonilo Proofread, Qwen Audio 3.1 ASR, Qwen Audio 3.1 ASR Stream, Qwen Audio 3.1 ASR Message

よくある質問

speech-to-textASRと同じですか?

はい。自動音声認識(ASR)とは、音声をテキストに変換するための専門用語であり、speech-to-textや文字起こしAPIによってコードに利用可能になります。

speech-to-textAPIは異なるスピーカーを見分けることができるのでしょうか?

はい、日記化をサポートするモデルで。書き起こしには各パートに話者名が付けられているので、誰が何を言ったか確認できます。

ライブ音声を文字起こしできますか?

はい。ライブ文字起こしモデルは、話している間にWebSocket経由でテキストをストリーミングします。録音では代わりにファイル文字起こしエンドポイントを使用します。

文字起こしAPIから字幕を取得できますか?

はい、SRTやVTTを返すモデルでは。これらの字幕形式は、各行のテキストに開始時間と終了時刻を表示します。

speech-to-text価格はどうなっているのでしょうか?

ほとんどのモデルは音声の長さ(分単位または時間単位)で請求し、一部は音声トークン単位で請求されます。EmpirioLabs AIでは、使用量に応じて支払うか、週ごとの手当がつくプランを選ぶことができます。

EmpirioLabs AI で最も安い 転写 モデルはどれですか?

この方式で課金される 9 個の 転写 モデルのうち、音声1分あたりの料金が最も低いのは StepAudio 2.5 ASR で、次に Qwen Audio 3.0 ASR, Whisper Large v3 Turbo が続きます。このページの料金表に、各モデルの最低料金と適用対象を掲載しています。

より良いエンドポイントを使う準備はできていますか?

ご自身のモデルを当社のスタックに展開したい方は、ぜひご価格をご覧ください。