whisper-1 の技術仕様
| 仕様 | 詳細 |
|---|---|
| モデル ID | whisper-1 |
| モデルタイプ | 音声からテキスト、音声翻訳 |
| 主なユースケース | 音声転写、多言語音声認識、英語への音声翻訳 |
| 入力モダリティ | 音声 |
| 出力モダリティ | テキスト |
| 対応エンドポイント | /v1/audio/transcriptions, /v1/audio/translations |
| ストリーミング対応 | whisper-1 ではサポートされていません |
| プロンプトのサポート | あり（書式、句読点、スタイルに関する限定的なプロンプト制御） |
| 言語機能 | 多言語音声認識と言語識別 |
| 一般的な統合形式 | multipart/form-data によるファイルアップロード |
| 一般的な音声フォーマット | m4a, mp3, mp4, mpeg, mpga, wav, webm |
| 最適な用途 | 話し言葉のコンテンツを可読なテキストまたは英語訳に変換 |
whisper-1 とは？
whisper-1 は、音声をテキストに変換し、話されている音声から英語への翻訳を生成するための、CometAPI で利用可能な音声認識モデルです。録音音声、インタビュー、会議、ボイスメモ、字幕、多言語音声ワークフローにおいて信頼できる転写を必要とする開発者向けに設計されています。
このモデルは、多言語にわたる自動音声認識が必要なアプリケーションに適しています。元の言語で音声を書き起こすことも、話し言葉の内容を英語に翻訳することもでき、グローバル製品、メディア処理パイプライン、サポートツール、アクセシビリティソリューションで有用です。
whisper-1 はアップロードされた音声ファイルを処理してテキストを出力するため、バックエンド自動化、コンテンツのインデックス化、キャプション生成、検索強化、分析パイプラインに自然に組み込めます。
whisper-1 の主な機能
- 音声からテキストへの書き起こし: 文書、キャプション、アーカイブ、アプリケーションのワークフロー向けに、話し言葉の音声を文字テキストへ変換します。
- 音声翻訳: 非英語の話し言葉の音声から英語テキストの翻訳を生成し、多言語コンテンツ処理を簡素化します。
- 多言語認識: 多くの言語に対応した認識をサポートし、国際・地域横断の導入に実用的です。
- プロンプト支援による整形: 句読点、大文字小文字、用語、トランスクリプトのスタイルをガイドするプロンプトを受け付けます。
- ファイルベースの API ワークフロー: アップロードされた音声ファイルで動作し、バッチ処理、メディアシステム、バックエンドサービスへ容易に統合できます。
- 言語識別のサポート: 複数の話し言葉を検出・処理するワークフローで利用できます。
- コンテンツ業務への高い適合性: 字幕生成、検索可能なトランスクリプト作成、顧客通話ログ化、インタビュー処理、ボイスメモの変換に有用です。
whisper-1 へのアクセスと統合方法
ステップ 1: API キーの取得
whisper-1 の利用を開始するには、まず CometAPI にアカウントを作成し、ダッシュボードから API キーを発行します。ログイン後、API 管理セクションに移動して新しいキーを作成し、安全に保管してください。このキーは、whisper-1 API へ送るすべてのリクエストの認証に必要です。
ステップ 2: whisper-1 API にリクエストを送信する
API キーを取得したら、whisper-1 のモデル ID を用いて CometAPI のエンドポイントにリクエストを送信できます。Authorization ヘッダーに API キーを含め、対象モデルとして whisper-1 を指定します。音声ワークフローでは、適切な転写または翻訳エンドポイントに音声ファイルを送信します。
curl --request POST \
--url https://api.cometapi.com/v1/audio/transcriptions \
--header "Authorization: Bearer YOUR_COMETAPI_KEY" \
--header "Content-Type: multipart/form-data" \
--form "model=whisper-1" \
--form "file=@/path/to/audio.mp3"
翻訳ワークフローでは、同じモデル ID を指定して翻訳エンドポイントを使用します:
curl --request POST \
--url https://api.cometapi.com/v1/audio/translations \
--header "Authorization: Bearer YOUR_COMETAPI_KEY" \
--header "Content-Type: multipart/form-data" \
--form "model=whisper-1" \
--form "file=@/path/to/audio.mp3"
ステップ 3: 結果の取得と検証
リクエストの処理が完了すると、CometAPI は whisper-1 ジョブの生成テキスト結果を返します。トランスクリプトの品質、言語処理、句読点、完全性を確認するためにレスポンスをレビューしてください。必要に応じて、音声の前処理やプロンプトの方法を見直し、リクエストを再送して、本番ユースケースにおける出力の一貫性を向上させます。