コンテンツにスキップ

OpenAI オーディオフォーマット

公式ドキュメント

OpenAI Audio

📝 概要

OpenAI オーディオ API は、主に以下の3つの機能を提供します。

  1. テキスト読み上げ (TTS) - テキストを自然な音声に変換します
  2. 音声認識 (STT) - 音声をテキストに書き起こします
  3. 音声翻訳 - 英語以外の音声を英語のテキストに翻訳します

💡 リクエスト例

テキスト読み上げ ✅

curl https://你的newapi服务器地址/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://你的newapi服务器地址/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://你的newapi服务器地址/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書き起こします。

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

リクエストヘッダーに以下を含めて API キー認証を行います。

Authorization: Bearer $NEWAPI_API_KEY

ここで $NEWAPI_API_KEY はお客様の API キーです。

リクエストボディパラメータ

テキスト読み上げ

model
  • タイプ：文字列
  • 必須：はい
  • 選択可能な値：tts-1, tts-1-hd
  • 説明：使用する TTS モデル
input
  • タイプ：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
  • タイプ：文字列
  • 必須：はい
  • 選択可能な値：alloy, echo, fable, onyx, nova, shimmer
  • 説明：音声を生成する際に使用する声
response_format
  • タイプ：文字列
  • 必須：いいえ
  • デフォルト値：mp3
  • 選択可能な値：mp3, opus, aac, flac, wav, pcm
  • 説明：オーディオ出力形式
speed
  • タイプ：数値
  • 必須：いいえ
  • デフォルト値：1.0
  • 範囲：0.25 - 4.0
  • 説明：生成される音声の速度

音声認識

file
  • タイプ：ファイル
  • 必須：はい
  • サポート形式：flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, webm
  • 説明：書き起こしを行うオーディオファイル
model
  • タイプ：文字列
  • 必須：はい
  • 現在サポートされているのは：whisper-1 のみ
  • 説明：使用するモデル ID
language
  • タイプ：文字列
  • 必須：いいえ
  • 形式：ISO-639-1 (例: "en")
  • 説明：音声の言語。提供することで精度が向上する場合があります
prompt
  • タイプ：文字列
  • 必須：いいえ
  • 説明：モデルのスタイルを指示したり、前のオーディオセグメントを継続したりするために使用されるテキスト
response_format
  • タイプ：文字列
  • 必須：いいえ
  • デフォルト値：json
  • 選択可能な値：json, text, srt, verbose_json, vtt
  • 説明：出力形式
temperature
  • タイプ：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
  • タイプ：配列
  • 必須：いいえ
  • デフォルト値：segment
  • 選択可能な値：word, segment
  • 説明：書き起こしのタイムスタンプの粒度

音声翻訳

file
  • タイプ：ファイル
  • 必須：はい
  • サポート形式：flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, webm
  • 説明：翻訳を行うオーディオファイル
model
  • タイプ：文字列
  • 必須：はい
  • 現在サポートされているのは：whisper-1 のみ
  • 説明：使用するモデル ID
prompt
  • タイプ：文字列
  • 必須：いいえ
  • 説明：モデルのスタイルを指示するために使用される英語のテキスト
response_format
  • タイプ：文字列
  • 必須：いいえ
  • デフォルト値：json
  • 選択可能な値：json, text, srt, verbose_json, vtt
  • 説明：出力形式
temperature
  • タイプ：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

バイナリオーディオファイルの内容を返します。

音声認識

基本 JSON 形式
{
  "text": "转录的文本内容"
}
詳細 JSON 形式
{
  "task": "transcribe",
  "language": "english",
  "duration": 8.47,
  "text": "完整的转录文本",
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0.0,
      "end": 3.32,
      "text": "分段的转录文本",
      "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": "翻译后的英文文本"
}

エラーレスポンス

リクエストに問題が発生した場合、API は HTTP ステータスコード 4XX〜5XX の範囲でエラーレスポンスオブジェクトを返します。

一般的なエラー ステータスコード

  • 400 Bad Request: リクエストパラメータが無効です
  • 401 Unauthorized: API キーが無効であるか、提供されていません
  • 429 Too Many Requests: API 呼び出し制限を超過しました
  • 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"
  }
}