文字起こしを作成

文字起こしに使用するモデルのID。

文字起こしするファイル（音声の長さは100ms以上）。主要な音声・ビデオ形式に対応しています。fileまたはcloud_storage_urlパラメータのいずれか一方を必ず指定してください。ファイルサイズは5.0GB未満である必要があります。

オーディオファイルの言語に対応するISO-639-1またはISO-639-3のlanguage_codeです。事前に判明している場合、トランスクリプションのパフォーマンスが向上することがあります。デフォルトはnullで、この場合は言語が自動的に推定されます。

最終的な文字起こしに適用する自然言語の指示です（最大2,000文字）。編集済みテキストは、元の文字起こしとともに’edited_transcript’で返されます。entity_detection、entity_redaction、use_multi_channelとは併用できません。このパラメータを使用すると、基本の文字起こし料金に30％の追加料金がかかり、最低10秒分のオーディオとして課金されます。

文字起こし内で（笑い声）、（足音）などのオーディオイベントにタグ付けするかどうか。

アップロードしたファイル内で話している話者の最大数。誰がいつ話しているかの予測に役立ちます。予測できる話者数の上限は32です。デフォルトはnullで、この場合はモデルがサポートする最大値に設定されます。

文字起こし内のタイムスタンプの粒度。‘word’では単語単位のタイムスタンプ、‘character’では単語ごとの文字単位のタイムスタンプを提供します。

アップロードされたファイルで現在話している話者を注釈付けするかどうか。

話者ダイアライゼーション時に適用するしきい値です。値を高くすると、1人の話者を2人の異なる話者として識別する可能性は低くなりますが、2人の異なる話者を1人として識別する可能性は高くなります（予測される話者総数は少なくなります）。値を低くすると、1人の話者を2人の異なる話者として識別する可能性は高くなりますが、2人の異なる話者を1人として識別する可能性は低くなります（予測される話者総数は多くなります）。diarize=Trueかつnum_speakers=Noneの場合にのみ設定できます。デフォルトはNoneで、その場合はmodel_idに基づいてしきい値を選択します（通常は0.22）。

文字起こしのエクスポート先となる追加形式のリストです。

入力オーディオの形式。‘pcm_s16le_16’または’other’を指定できます。pcm_s16le_16の場合、入力オーディオは16kHzサンプルレート、シングルチャンネル（モノラル）、リトルエンディアンの16ビットPCMである必要があります。エンコード済み波形を渡す場合よりレイテンシーが低くなります。

[Deprecated] このパラメーターは非推奨であり、将来削除されます。代わりに’source_url’を使用してください。文字起こしするファイルのHTTPS URLです。fileまたはcloud_storage_urlパラメーターのいずれか一方のみを指定する必要があります。ファイルはHTTPS経由でアクセス可能で、ファイルサイズは2GB未満である必要があります。クラウドストレージプロバイダー（AWS S3、Google Cloud Storage、Cloudflare R2など）、CDN、その他のHTTPSソースのURLを含む、有効なHTTPS URLを使用できます。URLは事前署名済みでも、クエリパラメーターに認証トークンを含めてもかまいません。

文字起こしするオーディオまたはビデオファイルのURLです。ホストされたビデオまたはオーディオファイル、YouTubeビデオURL、TikTokビデオURL、その他のビデオホスティングサービスに対応しています。

文字起こし結果を設定済みのスピーチtoテキストWebhookに送信するかどうか。設定すると、リクエストは文字起こし結果を含まずに早期に返され、結果は後でWebhook経由で配信されます。

文字起こし結果の送信先となる任意の特定Webhook ID。webhookがtrueに設定されている場合にのみ有効です。指定しない場合、文字起こしは設定済みのすべてのスピーチtoテキストWebhookに送信されます。

文字起こし出力のランダム性を制御します。0.0から2.0までの値を指定でき、値が高いほど多様で決定性の低い結果になります。省略した場合、選択したモデルに基づくtemperatureを使用します。通常は0です。

指定すると、同じシードとパラメータでリクエストを繰り返した場合に同じ結果が返るよう、システムは決定論的サンプリングを最大限試みます。決定性は保証されません。0から2147483647までの整数である必要があります。

オーディオファイルに複数のチャンネルが含まれ、各チャンネルに1人の話者が含まれるかどうか。有効にすると、各チャンネルは個別に文字起こしされます。デフォルトではチャンネルごとに個別の文字起こしが返されます。代わりに、すべてのチャンネルを統合して時刻順に並べた単一の文字起こしを受け取るには、multichannel_output_style=‘combined’に設定します。レスポンス内の各単語には、どのチャンネルで発話されたかを示す’channel_index’フィールドが含まれます。最大5チャンネルをサポートします。各チャンネルはオーディオの全長に対して個別に課金されるため、コストはチャンネル数に比例して増加します。

use_multi_channelが有効な場合の応答形式を制御します。‘separate’（デフォルト）は、‘transcripts’配下にチャンネルごとに1つの文字起こしを返します。‘combined’はすべてのチャンネルを1つの文字起こしに統合し、単語を開始時刻順に並べ、それぞれに’channel_index’を付与します。これは単一チャンネルの応答形式と一致します。‘combined’にはタイムスタンプが必要です（timestamps_granularityは’none’以外である必要があります）。また、エンティティ検出と編集はサポートされません。

Webhook応答に含める任意のメタデータです。最大深度2階層、最大サイズ16KBのオブジェクトを表すJSON文字列にしてください。内部ID、ジョブ参照、その他のコンテキスト情報の追跡に役立ちます。

文字起こし内のエンティティを検出します。すべてのエンティティを検出する場合は「all」、単一のエンティティタイプまたはカテゴリ文字列、あるいはエンティティタイプ／カテゴリのリストを指定できます。カテゴリには「pii」、「phi」、「pci」、「other」、「offensive_language」があります。有効にすると、検出されたエンティティはテキスト、タイプ、文字位置とともに「entities」フィールドで返されます。

trueの場合、文字起こしからフィラー、言い直し、非発話音が除外されます。

話者分離中に既知の話者を識別するため、話者ライブラリを使用するかどうか。有効でdiarizeがtrueの場合、検出された話者はワークスペースの話者ライブラリに登録されている話者と照合されます。

話者の役割（エージェントまたは顧客）を検出するかどうか。diarize=trueが必要です。use_multi_channel=trueとは併用できません。有効にすると、speaker_idの値は「speaker_0」「speaker_1」などではなく、「agent」と「customer」になります。使用すると、基本文字起こし料金に10％の追加料金がかかります。

文字起こしテキストからエンティティをマスキングします。entity_detectionと同じ形式を受け付けます。「all」、カテゴリ（「pii」、「phi」）、または特定のエンティティタイプを指定できます。entity_detectionのサブセットである必要があります。マスキングを有効にすると、entitiesフィールドは返されません。

編集済みエンティティの形式を指定します。‘redacted’は{REDACTED}に、‘entity_type’は{ENTITY_TYPE}に、‘enumerated_entity_type’は出現ごとにNを連番とする{ENTITY_TYPE_N}に置き換えます。entity_redactionが設定されている場合にのみ使用されます。

A list of keyterms to bias the transcription towards. The keyterms are words or phrases you want the model to recognise more accurately. The number of keyterms cannot exceed 1000. The length of each keyterm must be at most 50 characters. Keyterms can contain at most 5 words (after normalisation). For example [“hello”, “world”, “technical term”]. The following characters are not supported: <, >, {, }, [, ], \. Usage of this parameter will incur an additional 20% surcharge on the base transcription cost. When more than 100 keyterms are provided, a minimum billable duration of 20 seconds applies per request.