Audio API は、音声をテキストに変換する次の 2 つのエンドポイントに対応しています。
transcriptionstranslations
Audio API の利用を始めるには、音声テキスト変換の開発者向けドキュメントをお読みください。
よくある質問
Audio API の利用料金
詳しくは料金ページをご覧ください。
対応言語
対応言語の一覧はこちらをご覧ください。
大容量の音声ファイルの扱い方
従来の Audio API(whisper-1)で文字起こし用のファイルをアップロードする場合、リクエストサイズの上限は 25 MiB です。新しい gpt-4o の文字起こしルートでは、音声の長さやトークン数の上限など、異なる検証基準が適用される場合があります。ユーザーからの長時間の音声入力を扱う際は、モデルごとのドキュメントをご確認ください。
利用可能なストリーミング方式
文字起こし結果をストリーミングする方法は、録音済みの音声を扱うか、継続中の音声ストリームを扱うかによって、次の 2 通りがあります。
gpt-live-transcribe で継続中の音声を文字起こしする場合、アプリケーション側で発話の終了を検出し、input_audio_buffer.commit を送信する必要があります。これにより、各ターンの終了を通知し、確定した文字起こし結果を受け取ります。このモデルは server_vad と semantic_vad に対応していません。
なお、whisper-1 モデルはストリーミングに対応していません。
対応ファイル形式
対応するファイル形式は、API ドキュメントに記載されています。
Audio API への音声ファイルリンクの送信可否
リンクの送信には対応していません。対応する音声形式のファイルを送信する必要があります。