Source: https://ailoot.ai/models/ja/openai-whisper-large-v3/ Canonical: https://ailoot.ai/models/ja/openai-whisper-large-v3/ Language: ja # OpenAI: Whisper Large V3 [Markdown](https://ailoot.ai/models/ja/openai-whisper-large-v3/index.md) · [JSON](https://ailoot.ai/models/ja/openai-whisper-large-v3/facts.json) ## [OpenAI: Whisper Large V3](https://ailoot.ai/models/ja/openai-whisper-large-v3/) Whisper large-v3は、文字起こしと音声の英訳に使う、OpenAIのオープンウェイトの多言語音声認識チェックポイントです。録音された発話をテキストへ変換し、言語の選択、タイムスタンプ、30秒の音響ウィンドウを超える長時間処理が文書化されています。 - [**Ailoot Ultra · 音声認識** `POST /v1/audio/transcriptions` `openai/whisper-large-v3`](https://ailoot.ai/models/ja/openai-whisper-large-v3/#method-0) 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。 Whisper large-v3は、約15.5億パラメーターを持つ、公開されたOpenAIの音声認識チェックポイントです。多言語のエンコーダー・デコーダーモデルで、音声がエンコーダーに入り、デコーダーがテキストとタスク関連トークンを予測します。主なタスクは、元の言語での音声文字起こしと、音声の英訳です。これはオープンウェイトのモデルIDであり、ホステッドサービスのモデル識別子や、そのサービスのアップロード・応答形式の規則とは分けて扱います。 Large-v3は、以前の大型Whisperチェックポイントのアーキテクチャを保ち、2つの変更を示しています。スペクトログラム入力が80ではなく128個のMel周波数ビンを使い、広東語の言語トークンを追加しています。メーカーのモデルカードは、弱いラベル付き音声100万時間と、Whisper large-v2で準備した疑似ラベル付き音声400万時間での学習を説明しています。この混合データを2エポック使用しました。リリースは、Whisperファミリーのすべてのモデルを指す一般名ではなく、特定のlarge-v3チェックポイントです。 文書化された推論ワークフローは、既定で文字起こしを行い、録音で話される言語を保持します。元の言語を自動検出するか、既知の言語を選択できます。翻訳では、多言語の大型モデルが英語以外の発話から英語テキストを返します。そのタスクは明示的に選んでください。同じ言語の文字起こしと英訳は別の成果物です。インタビューでは原語の表現を残し、英語の参照文書では、発話内容の翻訳が必要な結果であると指定してください。 音声の準備は入力経路の一部です。OpenAIのローダーは録音をモノラル波形へデコードし、16 kHzへ再サンプリングします。モデルの音響受容野は30秒です。これは処理ウィンドウであり、インタビューや講義全体の最大長ではありません。長時間の推論では、スライディングウィンドウを順番に進めるか、長い録音を重なりのあるチャンクへ分けて文字起こしを結合できます。メーカーのモデルカードは、精度を優先する場合の逐次処理と、1本の長い録音の処理完了時間を重視する場合のチャンク処理を説明しています。 公開設定には、個々のデコードシーケンスに448のデコーダー位置が記載されています。長い録音は、その数を普遍的な文字起こし上限とみなすのではなく、長時間処理で扱います。文書化されたワークフローは、認識テキストとともに、セグメント単位や単語単位のタイムスタンプを返せます。時間出力は録音の移動や字幕準備に有用ですが、最終的な字幕コンテナーや文字起こしファイル形式は別の出力書式の選択です。文字起こしを原本資料に合わせる場合は、音声準備時に録音の時間関係を残してください。 Whisperの役割は、発話の認識と翻訳です。講義の文字起こし、インタビュー記録、検索可能な発話資料の集合は実用的な出力です。要約や解釈は、そのテキストに対する別の段階として行えます。モデルカードは、堅牢な自動話者分類や話者分離を、基本チェックポイントの標準出力として確立していません。話者ラベルが必要な場合、その要件は正確な文字起こしを主張することとは別に扱う必要があります。有用な指示には、元の言語、文字起こしか英訳か、時間情報が必要かを示します。 実質的な制限には、実際には話されていないテキストの生成や反復テキストがあり、雑音のあるデータを使った弱い教師あり学習や、系列から系列への設計に関連しています。認識品質は言語、アクセント、方言で異なり、学習資料の少ない領域では弱くなります。そのため、適合性を判断するサンプルには、雑音、専門用語、重なる発話を含めるべきです。名前、数量、重要な発言を録音と比較し、流暢な文字起こしをすべての単語が聞き取られた証拠とせず、非発話部分や繰り返された行を点検してください。 完全な結果は、元の録音への参照とともに、認識テキスト、その言語、要求した時間情報を保持します。文字起こしを後の編集と分けてください。公開用に修正した文字起こしはつなぎ言葉を除く場合がありますが、認識された文字起こしはモデルが実際に返した内容を保持します。Large-v3のモデルIDと翻訳機能も、高速なTurboエディションとは分けるべきです。実際の処理速度は言語、発話速度、ハードウェア、推論方式に依存し、チェックポイント名だけから、特定のホステッド環境のレイテンシー、最大アップロードサイズ、アプリケーションで有効な経路は分かりません。 **Ailoot Ultra · 音声認識** `POST /v1/audio/transcriptions` `openai/whisper-large-v3` [`openai/whisper-large-v3`](https://ailoot.ai/models/ja/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) OpenAI /`openai/whisper-large-v3` ### はじめに Whisper large-v3は、文字起こしと音声の英訳に使う、OpenAIのオープンウェイトの多言語音声認識チェックポイントです。録音された発話をテキストへ変換し、言語の選択、タイムスタンプ、30秒の音響ウィンドウを超える長時間処理が文書化されています。 対応する入力 音声 結果 transcription ### Ailootで利用可能 · 入力とメソッド **Ailoot Ultra · 音声認識** `POST /v1/audio/transcriptions` 入力の種類 `audio` 出力の種類 `transcription` 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 openai/whisper-large-v3 | 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— | | フィールド`language` | 種類`string` | 要件任意 | 値と制限 | デフォルト— | | フィールド`temperature` | 種類`number` | 要件任意 | 値と制限 最小値: 0 最大値: 1 | デフォルト— | | フィールド`response_format` | 種類`string` | 要件任意 | 値と制限 json, verbose\_json | デフォルトjson | | フィールド`timestamp_granularities` | 種類`array` | 要件任意 | 値と制限 | デフォルト— | | フィールド`provider` | 種類`object` | 要件任意 | 値と制限 | デフォルト— | 入力素材の組み合わせ **speech\_to\_text** · 必須: actual matching-format 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`content_types` | 仕様application/json, multipart/form-data | | 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`JSON_audio` | 仕様実際の未加工音声のバイト列をbase64にしたものと、対応する形式 | | パラメータ`multipart_required` | 仕様model, file | | パラメータ`multipart_cap_bytes` | 仕様26214400 | | パラメータ`optional_controls` | 仕様language, temperature, response\_format, timestamp\_granularities, provider | | パラメータ`default_response_format` | 仕様json | | パラメータ`optional_features` | 仕様詳細出力、diarize/keyterms、URLや大容量のインライン音声を利用するには、該当するモデル／プロバイダーの機能と料金体系が必要です。 | 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}` 正確なモデルと、文書に記載された入力フィールドを使用してください。 完全なレスポンス、実際の出力、および元の返却IDをすべて保持してください。 ### 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Ultra | 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 **$0.000015** 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 →](https://ailoot.ai/docs/ja/billing/reserve/) #### 参考料金の詳細 モデル単位の参照料金表は、メソッド選択、見積もり、課金を変更しません。実際の課金には、選択したAilootメソッドの料金を適用します。 OpenAI: Whisper Large V3 #### 設定別の価格 | 設定 | 課金条件 | 料金 | | --- | --- | --- | | 設定OpenAI: Whisper Large V3 · 標準設定 | 課金条件デフォルト設定 | 料金 入力 · 入力音声の秒数 **$0.000015** 入力音声1秒あたり | ### リクエスト例 #### Ailoot Ultra · 音声認識 curl · 正確なネイティブ形式のボディと結果全体 ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" : "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path import base64 audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes() if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file') if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow') request={'model': 'openai/whisper-large-v3', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}} request['input_audio']['data']=base64.b64encode(audio).decode('ascii') 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 # Keep the complete original response and headers. Read every returned segment, word and usage field. # Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting. ``` ### 結果を受け取って保存 #### Ailoot Ultra · 音声認識 json - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /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。 元のJSON全体、利用可能なすべてのテキスト／セグメント／単語／話者／タイムスタンプ、および使用量。 ##### 元のレスポンスを確認する場合 元のoperation\_id/X-Client-Request-IDと、元のレスポンスを保持してください。再送信せず、実際の所有タスク／アセットのレコードを読み取ってください。音声専用のポーリングURLを組み立てることはしません。 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`usage` | 種類object | | フィールド`segments[]` | 種類object | | フィールド`words[]` | 種類object | ### エイリアス #### モデルのエイリアス **Ailoot Ultra** [`openai/whisper-large-v3`](https://ailoot.ai/models/ja/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) #### 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 [`openai/whisper-large-v3`](https://ailoot.ai/models/ja/#m=openai%2Fwhisper-large-v3&route=Ultra&caller=openai%2Fwhisper-large-v3&fmt=transcriptions) FAQ · OpenAI: Whisper Large V3 利用できる入力と結果は何ですか？ `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `audio` → `transcription` リクエストはどの項目を使用しますか？ `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `model`, `input_audio`, `language`, `temperature`, `response_format`, `timestamp_granularities`, `provider` どの制限が適用されますか？ `POST /v1/audio/transcriptions` · `openai/whisper-large-v3`: `temperature.minimum`: `0`; `temperature.maximum`: `1` AilootをClaude Code、OpenCode、Hermes、自分のアプリに接続しましょう。 ## 企業とそのプロジェクト群 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 ## トークンを割引価格で購入。 継続利用にサブスクリプション割引。プロモコードでトークン購入が最大50%割引。 サブスクリプション 定期的なリクエストに合う割引プランを選びましょう。 最大50%のプロモコード 購入時にコードを入力すると、実施中のキャンペーンに沿って価格を再計算します。 支出を履歴で確認 各リクエストのモデル、トークン、金額が保存されます。 [サブスクリプションを選ぶ](https://ailoot.ai/docs/ja/billing/subscriptions/) · [モデルの価格を見る](https://ailoot.ai/models/ja/) ## 販売する製品に、 APIを組み込みましょう。 SaaS、アプリ、ボットをAilootの公式サービス提供条件とライセンス契約に基づいて接続できます。再販にはリセラーライセンスを申請できます。 商用アプリ サービスの有料機能に、文章、画像、動画、音声の生成を組み込めます。 リセラーライセンス プロジェクトの説明とアクセスの仕組みをお送りください。利用・再販条件の書面を申請できます。 サイトで契約文書を確認 接続前にサービス提供条件、ライセンス契約、データ処理ポリシーを読めます。 [リセラーライセンスを申請](mailto:support@ailoot.ai) · [サービス提供条件とライセンス契約](https://ailoot.ai/legal/offer?lang=ja) ## Ailoot · 企業とそのプロジェクト群 Ailootは、蓄積した運営経験、幅広い顧客基盤、安定したサービス、継続的なKPI管理を基盤としています。 企業とそのプロジェクト群：数百万の顧客、毎月数十億規模の売上。 Ailootはこの運営経験を、お客様の製品、エージェント、アプリケーション、自動化でAI機能を利用するためのAPIアクセスに活かしています。