Audio Transcriptions API
音声をテキストに変換します。OpenAI の POST /v1/audio/transcriptions と互換で、音声ファイルは multipart/form-data でアップロードします。
クイックスタート
https://api.ofox.ai/v1https://api.ofox.ai/v1/audio/transcriptionsopenai/gpt-transcribePython
import os
from openai import OpenAI
client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])
with open("meeting.mp3", "rb") as f:
result = client.audio.transcriptions.create(
model="openai/gpt-transcribe",
file=f,
language="zh",
prompt="以下是普通话的句子，请使用简体中文。",
)
print(result.text)リクエストパラメーター
音声ファイル（mp3、wav など）。音声以外のファイルを送ると 400 が返ります。
モデル ID。上の表を参照してください。
音声の言語（zh、en など）。省略すると自動で判定されます。
用字の傾向や固有名詞を指定するためのヒントテキスト。GPT 文字起こしモデルで使えます。中国語（普通話）を文字起こしする場合は、language: "zh" と「以下是普通话的句子，请使用简体中文。」（以下は普通話の文です。簡体字を使ってください。）を併せて指定することを推奨します。指定しないと繁体字で出力される場合があります。
対応しているのは json と verbose_json のみで、text、srt、vtt は 400 が返ります。verbose_json は ElevenLabs Scribe でのみ使えます。
プロバイダー固有のパラメーター。JSON 文字列としてフォームフィールドで渡します。例：{"elevenlabs": {"diarize": true}}。各シリーズのページを参照してください。
レスポンス
{
"text": "今天天气很好，我们下午三点在会议室讨论新功能。",
"usage": { "type": "duration", "seconds": 9 }
}文字起こしされたテキスト。
課金の根拠。type が duration の場合は音声の秒数（seconds）で、tokens の場合はトークン数（input_tokens、output_tokens）で課金されます。
ElevenLabs Scribe はさらに words（単語ごとのテキストと開始・終了時刻）、language、duration などのフィールドを返します。ElevenLabs を参照してください。字幕ファイルが必要な場合は、words のタイムスタンプから自分で生成できます。
よくあるエラー
エラーコードの詳細はエラー処理を参照してください。