OpenAI 音声フォーマット

OpenAI 音声フォーマット

本ページの概要

公式ドキュメント

OpenAI Audio

📝 概要

OpenAI 音声 API は、主に次の 3 つの機能を提供します:

• テキスト読み上げ（TTS）- テキストを自然な音声に変換する
• 音声認識（STT）- 音声を文字起こししてテキストに変換する
• 音声翻訳 - 英語以外の音声を英語のテキストに翻訳する

💡 リクエスト例

テキスト読み上げ ✅

curl https://4All API地址/v1/audio/speech \
  -H "Authorization: Bearer $NEWAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "你好,世界!",
    "voice": "alloy"
  }' \
  --output speech.mp3

音声認識 ✅

curl https://4All API地址/v1/audio/transcriptions \
  -H "Authorization: Bearer $NEWAPI_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F file="@/path/to/file/audio.mp3" \
  -F model="whisper-1"

レスポンス例:

{
  "text": "你好,世界!"
}

音声翻訳 ✅

curl https://4All API地址/v1/audio/translations \
  -H "Authorization: Bearer $NEWAPI_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F file="@/path/to/file/chinese.mp3" \
  -F model="whisper-1"

レスポンス例:

{
  "text": "Hello, world!"
}

📮 リクエスト

エンドポイント

テキスト読み上げ

POST /v1/audio/speech

テキストを音声に変換します。

音声認識

POST /v1/audio/transcriptions

音声を入力言語のテキストに文字起こしします。

音声翻訳

POST /v1/audio/translations

音声を英語のテキストに翻訳します。

認証方法

API キー認証を行うには、リクエストヘッダーに次の内容を含めてください:

Authorization: Bearer $NEWAPI_API_KEY

ここで $NEWAPI_API_KEY はあなたの API キーです。

リクエストボディのパラメータ

テキスト読み上げ

model

• 型: 文字列
• 必須: はい
• 取れる値: tts-1, tts-1-hd
• 説明: 使用する TTS モデル

input

• 型: 文字列
• 必須: はい
• 最大長: 4096 文字
• 説明: 音声に変換するテキスト

voice

• 型: 文字列
• 必須: はい
• 取れる値: alloy, echo, fable, onyx, nova, shimmer
• 説明: 音声生成時に使用する声

response_format

• 型: 文字列
• 必須: いいえ
• デフォルト値: mp3
• 取れる値: mp3, opus, aac, flac, wav, pcm
• 説明: 音声の出力形式

speed

• 型: 数値
• 必須: いいえ
• デフォルト値: 1.0
• 範囲: 0.25 - 4.0
• 説明: 生成音声の速度

音声認識

file

• 型: ファイル
• 必須: はい
• 対応形式: flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, webm
• 説明: 文字起こしする音声ファイル

model

• 型: 文字列
• 必須: はい
• 現時点で対応: whisper-1
• 説明: 使用するモデル ID

language

• 型: 文字列
• 必須: いいえ
• 形式: ISO-639-1（例: “en”）
• 説明: 音声の言語。指定すると精度が向上します

prompt

• 型: 文字列
• 必須: いいえ
• 説明: モデルの文体を指示したり、直前の音声の続きとして使うテキスト

response_format

• 型: 文字列
• 必須: いいえ
• デフォルト値: json
• 取れる値: json, text, srt, verbose_json, vtt
• 説明: 出力形式

temperature

• 型: 数値
• 必須: いいえ
• デフォルト値: 0
• 範囲: 0 - 1
• 説明: サンプリング温度。値が高いほど出力はランダムになります

timestamp_granularities

• 型: 配列
• 必須: いいえ
• デフォルト値: segment
• 取れる値: word, segment
• 説明: 文字起こしのタイムスタンプ粒度

音声翻訳

file

• 型: ファイル
• 必須: はい
• 対応形式: flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, webm
• 説明: 翻訳する音声ファイル

model

• 型: 文字列
• 必須: はい
• 現時点で対応: whisper-1
• 説明: 使用するモデル ID

prompt

• 型: 文字列
• 必須: いいえ
• 説明: モデルの文体を指示する英語テキスト

response_format

• 型: 文字列
• 必須: いいえ
• デフォルト値: json
• 取れる値: json, text, srt, verbose_json, vtt
• 説明: 出力形式

temperature

• 型: 数値
• 必須: いいえ
• デフォルト値: 0
• 範囲: 0 - 1
• 説明: サンプリング温度。値が高いほど出力はランダムになります

📥 レスポンス

成功レスポンス

テキスト読み上げ

バイナリの音声ファイル内容が返されます。

音声認識

基本 JSON 形式

{
  "text": "文字起こしされたテキスト内容"
}

詳細 JSON 形式

{
  "task": "transcribe",
  "language": "english",
  "duration": 8.47,
  "text": "完全な文字起こしテキスト",
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0.0,
      "end": 3.32,
      "text": "分割された文字起こしテキスト",
      "tokens": [50364, 440, 7534],
      "temperature": 0.0,
      "avg_logprob": -0.286,
      "compression_ratio": 1.236,
      "no_speech_prob": 0.009
    }
  ]
}

音声翻訳

{
  "text": "翻訳後の英語テキスト"
}

エラーレスポンス

リクエストに問題がある場合、API はエラー応答オブジェクトを返し、HTTP ステータスコードは 4XX-5XX の範囲になります。

よくあるエラーコード

• 400 Bad Request : リクエストパラメータが無効
• 401 Unauthorized : API キーが無効、または未指定
• 429 Too Many Requests : API 呼び出し制限を超過
• 500 Internal Server Error : サーバー内部エラー

エラーレスポンス例:

{
  "error": {
    "message": "文件格式不支持",
    "type": "invalid_request_error",
    "param": "file",
    "code": "invalid_file_format"
  }
}