複数話者の文字起こし

複数話者の音声を、話者情報付きの文字起こし結果に変換します。会議、インタビュー、ポッドキャストに適しています。

1. APIキーを作成

   APIキー管理プラットフォームにアクセスしてAPIキーを作成し、環境変数として保存してください。APIキーをクライアントコードに書き込んだり、リポジトリにコミットしたりしないでください。

   MOSS_API_KEY=<your_api_key_here>

2. リクエスト入力を準備

   複数話者を含むローカルの音声ファイルを1つ用意し、multipart/form-dataでファイルと文字起こしパラメータをまとめて送信します。diarize=trueを渡すと話者識別が有効になります。

   フィールド型必須説明

   model: string必須

   現在はmoss-transcribe-diarize-proを指定します。

   file: file必須

   multipart/form-dataでアップロードするローカルの音声ファイルです。

   diarize: boolean必須

   trueで固定です。話者識別を有効にします。

   response_format: string任意

   文字起こし結果の形式です。json、textから選択でき、デフォルトはjsonです。speakerとsegmentsを返す必要がある場合はjsonを使用します。

   model=moss-transcribe-diarize-pro
   file=@./audio.mp3
   diarize=true
   response_format=json

3. 最初のリクエストを送信

   複数話者の文字起こし

   curl -X POST "https://api.mosi.cn/v1/audio/transcriptions" \
     -H "Authorization: Bearer $MOSS_API_KEY" \
     -F "model=moss-transcribe-diarize-pro" \
     -F "file=@./audio.mp3" \
     -F "diarize=true" \
     -F "response_format=json"

   import os
   import requests
   
   with open("./audio.mp3", "rb") as audio_file:
       resp = requests.post(
           "https://api.mosi.cn/v1/audio/transcriptions",
           headers={"Authorization": f"Bearer {os.environ['MOSS_API_KEY']}"},
           data={
               "model": "moss-transcribe-diarize-pro",
               "diarize": "true",
               "response_format": "json",
           },
           files={"file": audio_file},
       )
   
   print(resp.status_code)
   print(resp.json())

   import { readFile } from 'node:fs/promises'
   
   const form = new FormData()
   form.append('model', 'moss-transcribe-diarize-pro')
   const audio = new Uint8Array(await readFile('./audio.mp3'))
   form.append('file', new Blob([audio], { type: 'audio/mpeg' }), 'audio.mp3')
   form.append('diarize', 'true')
   form.append('response_format', 'json')
   
   const response = await fetch('https://api.mosi.cn/v1/audio/transcriptions', {
     method: 'POST',
     headers: { Authorization: `Bearer ${process.env.MOSS_API_KEY}` },
     body: form,
   })
   
   console.log(response.status)
   console.log(await response.json())

   ストリーミング出力

   同じmultipartリクエストにstream=trueを追加すると、SSEで文字起こしイベントを継続的に読み取れます。ストリーミングリクエストでは、async=trueを同時に渡すことはできません。

   curl -N -X POST "https://api.mosi.cn/v1/audio/transcriptions" \
     -H "Authorization: Bearer $MOSS_API_KEY" \
     -H "Accept: text/event-stream" \
     -F "model=moss-transcribe-diarize-pro" \
     -F "file=@./audio.mp3" \
     -F "diarize=true" \
     -F "stream=true" \
     -F "response_format=verbose_json"

4. タスクの結果を取得

   同期呼び出しの場合は、レスポンスからtext、segmentsなどの結果を読み取ります。SSEを使用する場合は、transcript.text.doneまで読み取ります。async=trueを渡すとtask_idが返されるため、GET /v1/audio/tasks/{task_id}でタスクの結果を照会できます。

   curl https://api.mosi.cn/v1/audio/tasks/$TASK_ID \
     -H "Authorization: Bearer $MOSS_API_KEY"

5. 成功を確認

   成功の目安：話者情報付きの文字起こし結果を取得できます。成功レスポンスにはsegmentsが含まれる場合があり、各segmentにはstart、end、text、speakerが含まれます。

次のステップ