> ## Documentation Index > Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt > Use this file to discover all available pages before exploring further. # STT 音声認識 > Whisperモデルを使用してオーディオファイルをテキストに変換、転写と翻訳機能をサポート ## 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 **利用可能モデル一覧：** * **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 **パフォーマンス推奨事項：** * 中国語オーディオの場合、`whisper-large-v3`モデルの使用を推奨、適切なプロンプトとより低い温度値（0.2など）を組み合わせて幻覚を減らす * 英語オーディオまたは高速処理が必要な場合、`distil-whisper-large-v3-en`モデルを使用 * サポートされるオーディオ形式：mp3, mp4, mpeg, mpga, m4a, wav, webm * ファイルサイズ制限：最大25MB ## 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） 転写するオーディオファイルオブジェクト。サポート形式：mp3, mp4, mpeg, mpga, m4a, wav, webm、最大25MB 使用するモデルID。オプション：`whisper-large-v3`、`whisper-1`、`distil-whisper-large-v3-en` 入力オーディオの言語、ISO-639-1形式（例：'en'、'ja'）。言語指定により精度と遅延を改善可能 モデルのスタイルを指導する、または以前のオーディオセグメントを続けるオプションのテキストプロンプト。プロンプトはオーディオ言語と一致する必要がある 転写出力形式。オプション：`json`（デフォルト）、`text`、`srt`、`verbose_json`、`vtt` 0と1の間のサンプリング温度。高い値はより無作為な出力を、低い値はより集中した決定的な出力を生成。デフォルトは0 タイムスタンプの粒度。オプション：`word`、`segment`。response\_formatがverbose\_jsonの場合のみ利用可能 #### 翻訳パラメータ（Translations） 翻訳するオーディオファイルオブジェクト。転写と同じ形式 使用するモデルID、転写パラメータと同じ 翻訳スタイルを指導するオプションの英語テキストプロンプト 翻訳出力形式、転写パラメータと同じ サンプリング温度、転写パラメータと同じ ## 使用方法 ```shell Curl 転写 theme={null} curl https://aihubmix.com/v1/audio/transcriptions \ -H "Authorization: Bearer $AIHUBMIX_API_KEY" \ -H "Content-Type: multipart/form-data" \ -F file="@/path/to/file/audio.mp3" \ -F model="whisper-large-v3" \ -F response_format="text" \ -F temperature="0.2" ``` ```shell Curl 翻訳 theme={null} curl https://aihubmix.com/v1/audio/translations \ -H "Authorization: Bearer $AIHUBMIX_API_KEY" \ -H "Content-Type: multipart/form-data" \ -F file="@/path/to/file/audio.mp3" \ -F model="whisper-large-v3" \ -F prompt="autocorrect, clean up the stammer, and translate to english" \ -F response_format="text" \ -F temperature="0.2" ``` ```py 音声転写 theme={null} from openai import OpenAI import os client = OpenAI( api_key="sk-***", # あなたのAiHubMix APIキーに置き換え base_url="https://aihubmix.com/v1" ) # オーディオファイルを開く audio_file = open("path/to/audio.mp3", "rb") # オーディオを転写 transcript = client.audio.transcriptions.create( model="whisper-large-v3", file=audio_file, language="ja", # 日本語を指定して精度を向上 prompt="正確に転写し、句読点と文法に注意してください", response_format="text", temperature=0.2 # 無作為性を下げて幻覚を減らす ) print(transcript) ``` ```py 音声翻訳 theme={null} from openai import OpenAI import os client = OpenAI( api_key="sk-***", # あなたのAiHubMix APIキーに置き換え base_url="https://aihubmix.com/v1" ) # オーディオファイルを開く audio_file = open("path/to/audio.m4a", "rb") # オーディオを英語に翻訳 translation = client.audio.translations.create( model="whisper-large-v3", file=audio_file, prompt="autocorrect, clean up the stammer, and translate to english", response_format="text", temperature=0.2 ) print(translation) ``` ```py 詳細出力形式 theme={null} from openai import OpenAI import os client = OpenAI( api_key="sk-***", # あなたのAiHubMix APIキーに置き換え base_url="https://aihubmix.com/v1" ) audio_file = open("path/to/audio.wav", "rb") # タイムスタンプ付きの詳細転写結果を取得 transcript = client.audio.transcriptions.create( model="whisper-large-v3", file=audio_file, response_format="verbose_json", timestamp_granularities=["word"], temperature=0.2 ) # 単語レベルタイムスタンプ付きの結果を出力 print(f"Text: {transcript.text}") print(f"Language: {transcript.language}") for word in transcript.words: print(f"'{word.word}' at {word.start}s - {word.end}s") ``` ```py SRT字幕形式 theme={null} from openai import OpenAI import os client = OpenAI( api_key="sk-***", # あなたのAiHubMix APIキーに置き換え base_url="https://aihubmix.com/v1" ) audio_file = open("path/to/video_audio.mp4", "rb") # SRT字幕ファイルを生成 srt_transcript = client.audio.transcriptions.create( model="whisper-large-v3", file=audio_file, response_format="srt", language="ja", temperature=0.2 ) # .srtファイルとして保存 with open("subtitles.srt", "w", encoding="utf-8") as f: f.write(srt_transcript) print("SRT字幕ファイルが生成されました") ``` ## レスポンス形式 ### JSON形式（デフォルト） ```json theme={null} { "text": "これは転写されたテキストの内容です" } ``` ### 詳細JSON形式（verbose\_json） ```json theme={null} { "task": "transcribe", "language": "japanese", "duration": 8.470000267028809, "text": "これは転写されたテキストの内容です", "segments": [ { "id": 0, "seek": 0, "start": 0.0, "end": 8.470000267028809, "text": " これは転写されたテキストの内容です", "tokens": [50364, 50365, 50365, 50365], "temperature": 0.2, "avg_logprob": -0.9929364013671875, "compression_ratio": 0.8888888888888888, "no_speech_prob": 0.0963134765625 } ] } ``` ### テキスト形式 ``` これは転写されたテキストの内容です ``` ### SRT形式 ```srt theme={null} 1 00:00:00,000 --> 00:00:08,470 これは転写されたテキストの内容です ``` ### VTT形式 ```vtt theme={null} WEBVTT 00:00:00.000 --> 00:00:08.470 これは転写されたテキストの内容です ``` ## ベストプラクティス 1. **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 2. **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 3. **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 4. **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 5. **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 6. **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