OpenAI: GPT-4o Mini Transcribe
GPT-4o Mini Transcribeは、GPT-4o Miniを基盤とするOpenAIの音声認識モデルです。音声をJSON形式の文字起こしに変換し、録音に固有の文章のプロンプトとファイル処理結果のストリーミングに対応します。確認箇所を絞って文字起こしを見直すため、トークンの対数確率も返せます。
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。
GPT-4o Mini Transcribeは、GPT-4o Miniを基盤とするOpenAIの音声認識モデルです。任意の文章による補助情報とともに音声を受け取り、認識したテキストを出力します。GPT-4oを使うGPT-4o Transcribeや、独自のキーワードと複数言語の指定フィールドを持つ新しいGPT Transcribeプロファイルとは別のモデルです。ここでの有用な成果物は、検索、確認、後続のコンテンツ処理のために用意された、録音内の元の発言の文字起こしです。
録音を準備する
OpenAIのファイル文字起こしガイドでは、最大25 MBの音声アップロードを受け付けます。現在のエンドポイントリファレンスには、FLAC、MP3、MP4、MPEG、MPGA、M4A、OGG、WAV、WebMと、音声形式を識別するのに十分なファイル名とコンテンツタイプのメタデータが記載されています。大きな録音は、圧縮するか、25 MB以下の部分に分割できます。文の境界を保って分割し、各部分を元の録音とその位置に関連付け、後で正しい順序でテキストを組み立てられるようにしてください。
音声メモでは、録音ごとに識別できる文字起こしを一つ保持し、テキストからタスクを作る前に、名前や数字を確認します。音声のチュートリアルでは、公開用に編集する前に、認識した言葉を元の指示と比較してください。有用な準備の依頼書には、話されている言語と、聞き間違えやすい用語を示します。言葉の文字起こしが最初の工程です。その後、確認済みの文字起こしを解釈、要約、翻訳に使えます。
プロンプトによる補助と言語の単一指定
既存のGPT-4o Mini Transcribeの連携は、自由形式のプロンプトに対応します。OpenAIは、名前、略語、録音に固有の語彙、句読点、大文字・小文字、フィラー、望む表記体系のためのプロンプトを説明しています。エンドポイントリファレンスでは、プロンプトを音声の言語に合わせる必要があり、前の音声セグメントの背景情報も含められるとされています。文字起こしのプロンプトを無制限のチャット指示として振る舞わせず、関連する表記や話題の短い説明を含めてください。
このモデルの既存の言語指定は、単数形のlanguageフィールドを使います。開発元のリファレンスは、enなど、ISO 639-1の入力言語コードを文書化しています。独立したkeywordsフィールドと複数形のlanguagesフィールドはGPT Transcribe向けに文書化されており、このMiniプロファイルの一部ではありません。複数の録音では、各入力に対して意図する発話言語の設定を保持し、結果の翻訳依頼と解釈しないでください。
JSONの結果と任意のトークン確率
現在のエンドポイントリファレンスでは、GPT-4o Mini Transcribeがサポートする回答形式はJSONです。認識した言葉はtextフィールドに入ります。要求すると、JSON回答にトークンの対数確率を添えられます。これらの値はモデルのトークン確率を表し、詳しく確認する箇所を見つけるのに役立ちます。名前、数字、文が音声と一致することを証明するものではありません。不確かな単語を修正すべきかは、録音を使って判断してください。
通常のMiniの文字起こしプロファイルは、このJSON仕様を通じて、ネイティブのSRT、VTT、詳細な単語のタイムスタンプ、話者ラベル付きの出力を提供しません。OpenAIは、それらの機能に特化したモデルと形式を文書化しています。目的の成果物が字幕トラックなら、テキストだけの結果に字幕の区切りが含まれていると想定せず、確認済みの文字起こしを別の時刻付けワークフローで使えるよう保持します。
ファイル出力のストリーミングと文書化されたモード
開発元の音声認識ガイドは、既存のGPT-4o Mini Transcribeの連携がファイルのストリーミングに対応することを明示しています。完成した録音を処理している間に、文字起こしの一部が出力され、その後に最終結果が出ます。完成した成果物として最終文字起こしを保持してください。部分的なテキストが現れても、ファイルのワークフローがマイクのライブ音声を継続して受け取っていることを意味しません。モデルカードには、文字起こしとRealtimeのエンドポイントファミリーが別に記載されています。これらの開発元のインターフェースから、別の文字起こしモデルのすべてのセッションフィールドがここにも適用されるとは言えません。
コンテキスト、出力の上限、有用な確認
OpenAIの現在のモデル仕様では、コンテキストウィンドウは16,000トークン、最大出力は2,000トークン、知識の期限は2024年6月1日です。これらはモデル仕様の数値であり、録音に一律に適用される分単位の時間ではありません。ファイルサイズの規則とトークン上限は、異なる制約を表します。長い資料では、文書化されたファイルのワークフローに沿って録音を準備し、関連する背景情報を部分間で引き継ぎ、最終テキストが原音の末尾を含むことを確認してください。
有用なMini Transcribeの結果は、言葉と録音との関係を保持し、任意の確率データと編集上の修正を分けます。元の音声を参照できる状態で、不慣れな用語、アクセント、背景ノイズ、言語の切り替わり、発言の重なりを確認してください。読みやすくするために文章を修正する場合は、編集版と認識した文字起こしを区別します。後の利用者が、どの言葉が録音にあり、どの言葉が準備中に変更されたかを分かるようにします。
Ailoot Ultra · 文字起こし POST /v1/audio/transcriptions openai/gpt-4o-mini-transcribe
openai/gpt-4o-mini-transcribeはじめに
GPT-4o Mini Transcribeは、GPT-4o Miniを基盤とするOpenAIの音声認識モデルです。音声をJSON形式の文字起こしに変換し、録音に固有の文章のプロンプトとファイル処理結果のストリーミングに対応します。確認箇所を絞って文字起こしを見直すため、トークンの対数確率も返せます。
- 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 Ultra · 文字起こし POST /v1/audio/transcriptions
- 入力の種類
audio- 出力の種類
text
| 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 openai/gpt-4o-mini-transcribe | 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— |
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
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。
- 高速モード
- 未指定 高速モードが選択されている場合
- Flex モード
- 未指定 flex モードが選択されている場合
- 最大推論量
- 未指定 推論量が最大で、調整に既定値（default）を使用する場合
Ailootの料金
設定別の価格
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 |
| 設定入力トークン | 料金表— | 課金単位/ 1K トークン | 料金 入力 $0.0025 / 1K トークン |
| 設定出力トークン | 料金表— | 課金単位/ 1K トークン | 料金 出力 $0.01 / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot Ultra · 文字起こし
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'openai/gpt-4o-mini-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.
結果を受け取って保存
Ailoot Ultra · 文字起こし
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}
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。
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。
元のレスポンスを確認する場合
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。
レスポンスのフィールド
| 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 |
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。 |
エイリアス
モデルのエイリアス
Ailoot Ultra openai/gpt-4o-mini-transcribe
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 · OpenAI: GPT-4o Mini Transcribe
- 利用できる入力と結果は何ですか？
POST /v1/audio/transcriptions·openai/gpt-4o-mini-transcribe:audio→text- リクエストはどの項目を使用しますか？
POST /v1/audio/transcriptions·openai/gpt-4o-mini-transcribe:model,input_audio