asr-1.0
MiniMax ASR 1.0は、音声をテキストに変換し、ロシア語、話者別の発話の分離、タイムスタンプに対応しています。
モデルについて
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
会話の録音からテキストへ
MiniMax ASR 1.0は、音声ファイルの発話を認識します。メーカーは、会議、インタビュー、ポッドキャスト、動画の音声トラック、内容の確認、会話の分析での利用を説明しています。会話の発話、雑音、専門用語に合わせて調整され、架空の部分を減らすことを重視しています。このAilootのカードでは、入力は音声、結果はテキストです。
言語と複数の参加者
ロシア語、ウクライナ語、英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、ポーランド語と、中国語、広東語、日本語、韓国語、タイ語、ベトナム語、インドネシア語、マレー語、フィリピン語、アラビア語、トルコ語に対応しています。言語を指定しない場合、主な言語を自動的に判定します。メーカーは、中国語と英語の混在した発話も個別に説明しています。
拡張された結果形式では、モデルは話者を分離し、発話を時刻に紐付けられます。参加者の総数と、話者ラベル、開始、終了、テキストを持つ区間を返します。異なる参加者の発話を混ぜずに、誰がいつ、特定の発話を行ったかを分析するのに役立ちます。
結果の表現
メーカーは、テキストと長さを含む通常のJSON、拡張されたverbose_json、SRTとWebVTTの字幕を用意しています。タイムスタンプには、既定で文または区間の単位を使用します。単語ごとのタイムスタンプは英語について、文字ごとは中国語について説明されています。こうしたタイムスタンプは、位置合わせを行う形式に関するものです。
段階的なテキスト出力も可能ですが、話者の分離と字幕形式とは組み合わせられません。このモードでは、送信済みのファイルの処理に応じて、新しく認識したテキスト部分を返します。これは結果のストリームであり、マイクからの音声の連続送信ではありません。
録音の要件
公表されている入力形式は、WAV、AIFF、FLAC、ALAC（M4Aコンテナ）、MP3、AAC、Opus、Oggです。ファイルに含まれる音声は500秒まで、サイズは50メガバイトまでである必要があります。長さを超えた場合は拒否され、黙って切り詰められることはありません。コンテナのない生のPCMには対応していません。
録音の準備には、メーカーはモノラルの16キロヘルツ、または圧縮された音声形式を推奨しています。高いサンプリング周波数やステレオは認識に不要であり、ファイルサイズを増やします。拡張出力とストリーミング処理の機能は、ASR 1.0に関するものです。個々のリクエストで利用できる応答形式は、Ailootの手段で指定します。
Ailoot · 音声認識 POST /v1/audio/transcriptions asr-1.0
asr-1.0はじめに
MiniMax ASR 1.0は、音声をテキストに変換し、ロシア語、話者別の発話の分離、タイムスタンプに対応しています。
- 対応する入力
- 音声
- 結果
- テキスト
Ailootで利用可能 · 入力とメソッド
Ailoot · 音声認識 POST /v1/audio/transcriptions
- 入力の種類
audio- 出力の種類
text- 出力形式
- json
| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 asr-1.0 | デフォルト— |
フィールドfile | 種類file | 要件必須 | 値と制限 最大バイト数: 52,428,800 ファイル形式: wav, mp3, m4a, ogg, webm, flac コンテンツタイプ: multipart/form-data 最大の長さ（上限値を含まない、秒）: 500 | デフォルト— |
フィールドresponse_format | 種類string | 要件任意 | 値と制限 json | デフォルト— |
入力素材の組み合わせ
speech_to_text · 必須: actual audio file
メソッドのパラメータとライフサイクル
| パラメータ | 仕様 |
|---|---|
パラメータmaterial_types | 仕様audio |
パラメータrequired | 仕様null |
パラメータoptional_controls | 仕様null |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
メソッドの形式とIDは正確に記載しています。供給元の対応能力とリクエストの受け入れは別です。
料金
Ailootのメソッド料金
POST /v1/audio/transcriptions- 入力
- $0.38 音声1時間あたり
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot · 音声認識
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set your actual MP3 recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import os
from pathlib import Path
f=Path(os.environ["AILOOT_AUDIO_FILE"])
if not f.is_file() or f.suffix.lower()!=".mp3":raise SystemExit("Choose your actual MP3 recording")
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" \
--form-string model=asr-1.0 -F "file=@$AILOOT_AUDIO_FILE" \
-D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))
PY_RESULT
結果を受け取って保存
Ailoot · 音声認識
json
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
完了した結果をすべて保存
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
テキストだけでなくJSON全体を保持してください。利用可能なすべてのセグメント／話者／タイムスタンプと、実際のタスク／アセットの識別情報を保持します。
元のレスポンスを確認する場合
再送せずに照合できるよう、元の operation_id/X-Client-Request-ID を保存してください。音声専用のポーリングルートはありません。
レスポンスのフィールド
| フィールド | 種類 |
|---|---|
フィールドtext | 種類string |
フィールドsegments[] | 種類object |
フィールドtask_id | 種類string |
フィールドasset_url | 種類string |
フィールドusage | 種類object |
エラーと次の手順
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
レスポンスserver_error | 条件返されたレスポンスは、操作または結果の確認が必要であることを示しています | 次の手順最初に返された操作／タスク ID、リクエストヘッダー、レスポンスを保存し、その元の操作に対してサポートされている読み取りを継続してください。作成リクエストを再送しないでください。 |
エイリアス
モデルのエイリアス
Ailoot asr-1.0
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · asr-1.0
- 利用できる入力と結果は何ですか？
POST /v1/audio/transcriptions·asr-1.0:audio→text- リクエストはどの項目を使用しますか？
POST /v1/audio/transcriptions·asr-1.0:model,file,response_format