Google Chirp 3は、発話音声をテキストへ変換する多言語自動音声認識モデルです。Googleは、Speech-to-Text V2ファミリーのChirp 3文字起こしモデルとして公開し、モデル識別子をchirp_3としています。目的は、言語検出と文字起こし専用機能を使って、録音またはストリームの発話を認識することです。成果物は、生成音声や自由形式のアシスタント回答ではなく、文字起こしと、選んだ認識方式が対応するメタデータです。
開発元は、ストリーミング認識、短いクリップの同期認識、長い録音のバッチ認識を区別しています。元の音声と必要な結果に応じてモードを選んでください。短いボイスメモでは、完成したテキスト応答で十分な場合があります。インタビューや通話の録音では、話者情報付きのバッチ結果のほうが役立つ場合があります。リアルタイム字幕や音声コマンドのインターフェースでは、中間テキストと最終認識結果を分け、それが表す音声区間を保持します。
認識実装が想定するエンコーディングで音声を準備します。GoogleのChirp 3の例では、録音ファイルには自動検出によるデコード、生のストリーミング設定には明示的なデコードを使っています。関連するV2デコーダーのリファレンスには、対応エンコーディングとして、WAVのPCMまたは圧伸音声、FLAC、MP3、Ogg/WebM Opus、MP4・M4A・MOVコンテナ内のAACなどが挙げられています。コンテナ名は、実際のコーデックとサンプル設定の代わりにはなりません。明瞭な発話を保ち、ひどいクリッピングや、聞き取れる詳細を失う不要な変換を避けてください。
Chirp 3は、中心となる言語を自動的に特定して文字起こしでき、予想されるロケールの集合で認識の選択肢を絞れます。言語の利用可否は方式や機能によって異なります。文字起こしの対応言語一覧はダイアライゼーションの一覧より広いため、ある言語を認識できることだけで、すべての話者機能やタイミング機能に対応すると判断してはいけません。録音に合うロケールを使い、言語を切り替えて発話された名前や専門用語を確認用に残します。検出された言語ラベルは結果の一部であり、すべての珍しい単語が正しく認識された証拠ではありません。
話者ダイアライゼーションは、単一チャンネルの録音で、声ごとに発話をまとめます。Googleは、単語ごとの話者情報を含むバッチ文字起こしの例を提供しています。インタビューでは、そのラベルを認識テキストと一緒に保持し、実際の名前や役割を付ける前に、話者の切り替わりを録音と照合します。似た声、割り込み、発話の重なりによって、割り当てが難しくなる場合があります。ラベルを独立に確認された身元情報として扱わず、元のチャンネル構成と、意図する話者確認の課題を明確にしてください。
タイミングも方式ごとに異なります。ストリーミング認識は発話単位のタイムスタンプを提供し、開発元のファイル認識ガイドは、文字起こし品質とのトレードオフがありうる任意の単語タイミングを説明しています。選んだ方式が実際に返したメタデータを保持し、文言と併せて時間の対応を確認してください。字幕制作には、読みやすい認識テキストと、時間の境界が正しい音に対応している証拠の両方が必要です。Googleは、返される単語単位の信頼度値は真の信頼度スコアではないとも警告しているため、単語が正しいと認定するために使ってはいけません。
音声適応では、録音に現れそうなフレーズや固有名詞を提供します。開発元のドキュメントには最大1,000フレーズの辞書が記載されており、ほかの用語の認識を悪化させないため、関連する項目をできるだけ少なくするよう勧めています。技術プレゼンテーションでは、実際の商品名や略語の短い一覧を準備し、文字起こし内で確認してください。認識を偏らせることは用語を候補として考慮する助けにはなりますが、その用語が発話された証明にも、音声との照合の代わりにもなりません。
モデルは句読点と大文字表記を自動で付け、公開インターフェースでは無効化できます。Googleは、特定の名前や日付の書き方など、カスタム文字起こし形式の指示に関するプレビュー機能も説明しています。その指示は、認識した発話の整形に焦点を絞ってください。日付を正規化したりブランドを大文字にしたりした文字起こしでも、発話の意味を保持する必要があります。要約、翻訳、事実分析は、文字起こしを後で利用する段階であり、認識結果自体によって確立されるものではありません。
組み込みのノイズ除去は、背景の音楽や、雨、街の雑音などの環境音を軽減するためのものです。Googleは、背景にある人の声を除去できないと明記しています。会話が重なった録音を準備する場合は、この違いを保ってください。見た目が整った文字起こしを妨害音が除去された証拠と考えず、雑音の多い部分と静かな部分を元の音声と照合します。有用な結果では、不確実な箇所を修正できるよう特定可能なままにします。
ストリーミングの課題では、エンドポイント検出の感度によって、発話を終了したと扱う時点が変わります。開発元は、想定する発話が短くなる順にstandard、short、supershortの設定を説明しています。速い設定では、考えながら途中で間を置いた話者を切ってしまう場合があります。自然な口述、短い文、非常に短いコマンドに合わせて設定し、文字起こしと一緒に最終結果の状態を保持します。完成ファイルでは、名前、数量、否定、話者の境界を確認し、結果を確認・再利用できるよう、選んだモードと元の音声を保存してください。
", "aboutText": "Google Chirp 3は、発話音声をテキストへ変換する多言語自動音声認識モデルです。Googleは、Speech-to-Text V2ファミリーのChirp 3文字起こしモデルとして公開し、モデル識別子をchirp_3としています。目的は、言語検出と文字起こし専用機能を使って、録音またはストリームの発話を認識することです。成果物は、生成音声や自由形式のアシスタント回答ではなく、文字起こしと、選んだ認識方式が対応するメタデータです。\n\n開発元は、ストリーミング認識、短いクリップの同期認識、長い録音のバッチ認識を区別しています。元の音声と必要な結果に応じてモードを選んでください。短いボイスメモでは、完成したテキスト応答で十分な場合があります。インタビューや通話の録音では、話者情報付きのバッチ結果のほうが役立つ場合があります。リアルタイム字幕や音声コマンドのインターフェースでは、中間テキストと最終認識結果を分け、それが表す音声区間を保持します。\n\n認識実装が想定するエンコーディングで音声を準備します。GoogleのChirp 3の例では、録音ファイルには自動検出によるデコード、生のストリーミング設定には明示的なデコードを使っています。関連するV2デコーダーのリファレンスには、対応エンコーディングとして、WAVのPCMまたは圧伸音声、FLAC、MP3、Ogg/WebM Opus、MP4・M4A・MOVコンテナ内のAACなどが挙げられています。コンテナ名は、実際のコーデックとサンプル設定の代わりにはなりません。明瞭な発話を保ち、ひどいクリッピングや、聞き取れる詳細を失う不要な変換を避けてください。\n\nChirp 3は、中心となる言語を自動的に特定して文字起こしでき、予想されるロケールの集合で認識の選択肢を絞れます。言語の利用可否は方式や機能によって異なります。文字起こしの対応言語一覧はダイアライゼーションの一覧より広いため、ある言語を認識できることだけで、すべての話者機能やタイミング機能に対応すると判断してはいけません。録音に合うロケールを使い、言語を切り替えて発話された名前や専門用語を確認用に残します。検出された言語ラベルは結果の一部であり、すべての珍しい単語が正しく認識された証拠ではありません。\n\n話者ダイアライゼーションは、単一チャンネルの録音で、声ごとに発話をまとめます。Googleは、単語ごとの話者情報を含むバッチ文字起こしの例を提供しています。インタビューでは、そのラベルを認識テキストと一緒に保持し、実際の名前や役割を付ける前に、話者の切り替わりを録音と照合します。似た声、割り込み、発話の重なりによって、割り当てが難しくなる場合があります。ラベルを独立に確認された身元情報として扱わず、元のチャンネル構成と、意図する話者確認の課題を明確にしてください。\n\nタイミングも方式ごとに異なります。ストリーミング認識は発話単位のタイムスタンプを提供し、開発元のファイル認識ガイドは、文字起こし品質とのトレードオフがありうる任意の単語タイミングを説明しています。選んだ方式が実際に返したメタデータを保持し、文言と併せて時間の対応を確認してください。字幕制作には、読みやすい認識テキストと、時間の境界が正しい音に対応している証拠の両方が必要です。Googleは、返される単語単位の信頼度値は真の信頼度スコアではないとも警告しているため、単語が正しいと認定するために使ってはいけません。\n\n音声適応では、録音に現れそうなフレーズや固有名詞を提供します。開発元のドキュメントには最大1,000フレーズの辞書が記載されており、ほかの用語の認識を悪化させないため、関連する項目をできるだけ少なくするよう勧めています。技術プレゼンテーションでは、実際の商品名や略語の短い一覧を準備し、文字起こし内で確認してください。認識を偏らせることは用語を候補として考慮する助けにはなりますが、その用語が発話された証明にも、音声との照合の代わりにもなりません。\n\nモデルは句読点と大文字表記を自動で付け、公開インターフェースでは無効化できます。Googleは、特定の名前や日付の書き方など、カスタム文字起こし形式の指示に関するプレビュー機能も説明しています。その指示は、認識した発話の整形に焦点を絞ってください。日付を正規化したりブランドを大文字にしたりした文字起こしでも、発話の意味を保持する必要があります。要約、翻訳、事実分析は、文字起こしを後で利用する段階であり、認識結果自体によって確立されるものではありません。\n\n組み込みのノイズ除去は、背景の音楽や、雨、街の雑音などの環境音を軽減するためのものです。Googleは、背景にある人の声を除去できないと明記しています。会話が重なった録音を準備する場合は、この違いを保ってください。見た目が整った文字起こしを妨害音が除去された証拠と考えず、雑音の多い部分と静かな部分を元の音声と照合します。有用な結果では、不確実な箇所を修正できるよう特定可能なままにします。\n\nストリーミングの課題では、エンドポイント検出の感度によって、発話を終了したと扱う時点が変わります。開発元は、想定する発話が短くなる順にstandard、short、supershortの設定を説明しています。速い設定では、考えながら途中で間を置いた話者を切ってしまう場合があります。自然な口述、短い文、非常に短いコマンドに合わせて設定し、文字起こしと一緒に最終結果の状態を保持します。完成ファイルでは、名前、数量、否定、話者の境界を確認し、結果を確認・再利用できるよう、選んだモードと元の音声を保存してください。", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "29c6b1317306b45d880c5c1584b452ffb9c3b59cf1bfbf9e98e6d3befed7f722", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ja", "methods": [ { "html": "google/chirp-3Google Chirp 3は、ストリーミング、短い録音、長い録音のバッチ文字起こしに向けた多言語音声認識モデルです。自動言語検出、句読点、語彙適応、モードごとのタイミングや話者メタデータを提供します。ノイズ除去機能は背景雑音を軽減しますが、他人の声は除去できません。
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。
Google Chirp 3は、発話音声をテキストへ変換する多言語自動音声認識モデルです。Googleは、Speech-to-Text V2ファミリーのChirp 3文字起こしモデルとして公開し、モデル識別子をchirp_3としています。目的は、言語検出と文字起こし専用機能を使って、録音またはストリームの発話を認識することです。成果物は、生成音声や自由形式のアシスタント回答ではなく、文字起こしと、選んだ認識方式が対応するメタデータです。
開発元は、ストリーミング認識、短いクリップの同期認識、長い録音のバッチ認識を区別しています。元の音声と必要な結果に応じてモードを選んでください。短いボイスメモでは、完成したテキスト応答で十分な場合があります。インタビューや通話の録音では、話者情報付きのバッチ結果のほうが役立つ場合があります。リアルタイム字幕や音声コマンドのインターフェースでは、中間テキストと最終認識結果を分け、それが表す音声区間を保持します。
認識実装が想定するエンコーディングで音声を準備します。GoogleのChirp 3の例では、録音ファイルには自動検出によるデコード、生のストリーミング設定には明示的なデコードを使っています。関連するV2デコーダーのリファレンスには、対応エンコーディングとして、WAVのPCMまたは圧伸音声、FLAC、MP3、Ogg/WebM Opus、MP4・M4A・MOVコンテナ内のAACなどが挙げられています。コンテナ名は、実際のコーデックとサンプル設定の代わりにはなりません。明瞭な発話を保ち、ひどいクリッピングや、聞き取れる詳細を失う不要な変換を避けてください。
Chirp 3は、中心となる言語を自動的に特定して文字起こしでき、予想されるロケールの集合で認識の選択肢を絞れます。言語の利用可否は方式や機能によって異なります。文字起こしの対応言語一覧はダイアライゼーションの一覧より広いため、ある言語を認識できることだけで、すべての話者機能やタイミング機能に対応すると判断してはいけません。録音に合うロケールを使い、言語を切り替えて発話された名前や専門用語を確認用に残します。検出された言語ラベルは結果の一部であり、すべての珍しい単語が正しく認識された証拠ではありません。
話者ダイアライゼーションは、単一チャンネルの録音で、声ごとに発話をまとめます。Googleは、単語ごとの話者情報を含むバッチ文字起こしの例を提供しています。インタビューでは、そのラベルを認識テキストと一緒に保持し、実際の名前や役割を付ける前に、話者の切り替わりを録音と照合します。似た声、割り込み、発話の重なりによって、割り当てが難しくなる場合があります。ラベルを独立に確認された身元情報として扱わず、元のチャンネル構成と、意図する話者確認の課題を明確にしてください。
タイミングも方式ごとに異なります。ストリーミング認識は発話単位のタイムスタンプを提供し、開発元のファイル認識ガイドは、文字起こし品質とのトレードオフがありうる任意の単語タイミングを説明しています。選んだ方式が実際に返したメタデータを保持し、文言と併せて時間の対応を確認してください。字幕制作には、読みやすい認識テキストと、時間の境界が正しい音に対応している証拠の両方が必要です。Googleは、返される単語単位の信頼度値は真の信頼度スコアではないとも警告しているため、単語が正しいと認定するために使ってはいけません。
音声適応では、録音に現れそうなフレーズや固有名詞を提供します。開発元のドキュメントには最大1,000フレーズの辞書が記載されており、ほかの用語の認識を悪化させないため、関連する項目をできるだけ少なくするよう勧めています。技術プレゼンテーションでは、実際の商品名や略語の短い一覧を準備し、文字起こし内で確認してください。認識を偏らせることは用語を候補として考慮する助けにはなりますが、その用語が発話された証明にも、音声との照合の代わりにもなりません。
モデルは句読点と大文字表記を自動で付け、公開インターフェースでは無効化できます。Googleは、特定の名前や日付の書き方など、カスタム文字起こし形式の指示に関するプレビュー機能も説明しています。その指示は、認識した発話の整形に焦点を絞ってください。日付を正規化したりブランドを大文字にしたりした文字起こしでも、発話の意味を保持する必要があります。要約、翻訳、事実分析は、文字起こしを後で利用する段階であり、認識結果自体によって確立されるものではありません。
組み込みのノイズ除去は、背景の音楽や、雨、街の雑音などの環境音を軽減するためのものです。Googleは、背景にある人の声を除去できないと明記しています。会話が重なった録音を準備する場合は、この違いを保ってください。見た目が整った文字起こしを妨害音が除去された証拠と考えず、雑音の多い部分と静かな部分を元の音声と照合します。有用な結果では、不確実な箇所を修正できるよう特定可能なままにします。
ストリーミングの課題では、エンドポイント検出の感度によって、発話を終了したと扱う時点が変わります。開発元は、想定する発話が短くなる順にstandard、short、supershortの設定を説明しています。速い設定では、考えながら途中で間を置いた話者を切ってしまう場合があります。自然な口述、短い文、非常に短いコマンドに合わせて設定し、文字起こしと一緒に最終結果の状態を保持します。完成ファイルでは、名前、数量、否定、話者の境界を確認し、結果を確認・再利用できるよう、選んだモードと元の音声を保存してください。
POST /v1/audio/transcriptionsaudiotext| 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 google/chirp-3 | デフォルト— |
フィールドinput_audio | 種類object | 要件必須 | 値と制限 | デフォルト— |
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, input_audio |
パラメータmaterial_types | 仕様audio |
パラメータmaterial_conditions | 仕様この例では、実際の空でないPCM WAVファイルを読み込み、ファイル全体のバイト列をbase64にエンコードして、input_audio.formatをwavとして送信します。 |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 既存の所有メディアレコードにある正確なtask_id
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | 課金単位 | 料金 |
|---|---|---|---|
| 設定基本トークン料金 | 料金表基本料金 | 課金単位— | 料金 入力 · 入力トークン — / 1K トークン 出力 · 出力トークン — / 1K トークン 入力 · キャッシュ読み取り — / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
| 設定入力音声の秒 | 料金表— | 課金単位入力音声1秒あたり | 料金 入力 · 入力音声の秒 $0.000533333333334 入力音声1秒あたり |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'google/chirp-3', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\n元のレスポンス本文全体、ステータス、および転送されたヘッダー。このハンドラーは共通のJSON構造、テキストフィールド、タスクの外側の構造を追加しません。
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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。
レスポンスとヘッダーの全体、実際の出力すべて、最初に返された識別子、使用量フィールドすべてを保存してください。作成リクエストを再送せずに、元の操作を復旧してください。
実際のX-Client-Request-IDと完全なレスポンスを保持してください。元の所有アセットと、その正確な署名付きコンテンツURLを読み取ってください。結果が不確かな作成リクエストは、決して再送信しないでください。
| フィールド | 種類 |
|---|---|
フィールドtext (when present) | 種類 |
フィールドusage (when present) | 種類 |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件JSON本文、または明示された正規モデルIDが無効です。 | 次の手順レスポンスを保持し、指摘されたリクエストフィールドを修正してください。 |
レスポンス401 · authentication_error | 条件Ailoot APIキーが無効です。 | 次の手順利用権限のあるAiloot APIキーを使用してください。 |
レスポンス403 · permission_error | 条件このキーのグループでは、このメソッドの利用が許可されていません。 | 次の手順返されたエラーの詳細を保持してください。 |
レスポンス404 · not_found_error | 条件選択したメソッドには、利用が許可されたルートがありません。 | 次の手順返されたエラーの詳細を保持してください。 |
レスポンス422 · price_unavailable | 条件受諾済みの料金体系に必要な入力量、またはその上限を取得できません。 | 次の手順レスポンスを保持し、受諾済みの料金体系で必要とされる入力表現を使用してください。 |
レスポンス503 · | 条件必要な保存領域、ルート、メソッド料金、または料金の仮押さえを利用できません。 | 次の手順元のレスポンス全体を保持してください。料金の仮押さえ状態が不明でも、再送信が認められるわけではありません。 |
レスポンス502 · server_error | 条件元の結果、使用量、または精算を確認する必要があります。 | 次の手順実際のリクエストIDと元のレスポンスを保持してください。既存の所有レコードを読み取ってください。作成リクエストを再送信しないでください。 |
Ailoot Ultra google/chirp-3
上記に表示されたメソッドパスを使用してください。