概要
音声認識(STT)APIは、OpenAIのWhisperモデルに基づいてオーディオファイルをテキストに変換できます。様々な用途に対応:- オーディオファイルのテキスト転写
- 多言語オーディオの英語翻訳
- 複数のオーディオ形式入力をサポート
- 複数の出力形式オプション提供
- whisper-large-v3 —— 最新の大型Whisperモデル、多言語対応。中国語認識には適切なプロンプトと低温度値の使用が必要
- whisper-1 —— 初代Whisperモデル、安定して信頼性があり、多言語対応
- distil-whisper-large-v3-en —— 蒸留モデル、処理速度が速いが精度がやや低い、低温度値との組み合わせを推奨
モデル呼び出し方法
音声転写(Transcriptions)
/v1/audio/transcriptionsエンドポイントを使用、client.audio.transcriptions.create()メソッドで呼び出し、オーディオを元の言語のテキストに転写。
音声翻訳(Translations)
/v1/audio/translationsエンドポイントを使用、client.audio.translations.create()メソッドで呼び出し、オーディオを英語のテキストに翻訳。
リクエストパラメータ
転写パラメータ(Transcriptions)
翻訳パラメータ(Translations)
使用方法
レスポンス形式
JSON形式(デフォルト)
詳細JSON形式(verbose_json)
テキスト形式
SRT形式
VTT形式
ベストプラクティス
- 日本語オーディオ処理:
whisper-large-v3モデルを使用、language="ja"を設定、temperature=0.2、適切な日本語プロンプトを提供 - 英語オーディオ処理:より高速な処理速度を得るために
distil-whisper-large-v3-enを使用可能 - ノイズ処理:バックグラウンドノイズを無視したり、どもりを除去するようにプロンプトを使用
- 長いオーディオ処理:APIが長いオーディオを自動的にセグメント処理、最良の結果を得るためオーディオ品質の前処理を推奨
- タイムスタンプが必要な場合:正確なタイムスタンプが必要な時は
verbose_json形式とtimestamp_granularitiesを使用 - 字幕作成:追加処理なしで
srtまたはvtt形式出力を直接使用
最終更新日:2026-06-01