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。
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:
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。
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。
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。
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.
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
/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
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。
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。
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。
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。
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。
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。