文字起こしの編集
スピーチtoテキストAPIを使用し、自然言語の指示で文字起こしを編集する方法を説明します。
ハウツーガイド · スピーチtoテキストの クイックスタートを完了していることを前提としています。
概要
文字起こしの編集は試験的な機能です。基本の文字起こし料金に30%の追加料金がかかり、 リクエストごとに最低10秒分のオーディオ料金が請求されます。詳しい料金については、API 料金 ページをご覧ください。
文字起こしの編集では、文字起こしリクエストに自然言語の指示を追加できます。オーディオの文字起こしが完了すると、その指示が文字起こしに適用され、編集済みテキストが元のテキストとともに返されます。
これにより、独自のパイプラインで別途行っていた後処理が不要になります。一般的な用途には、日付、時刻、単位の表記の統一、略語の展開、不要な内容の削除、別のスタイルやトーンの適用、文字起こしの再整形などがあります。
たとえば、Write all dates in ISO 8601 format (YYYY-MM-DD)という指示を付けてボイスメールを文字起こしすると、両方のテキストが返されます。
textフィールドとwordsフィールドは、常に元の文字起こしを表します。編集済みのバージョンはedited_transcriptで個別に返されます。
文字起こし編集の組み込み
文字起こしの編集は、convertメソッドにtranscript_editパラメーターを渡すことで、スピーチtoテキストAPIに組み込めます。指示は最大2000文字です。
文字起こしの編集は、同期リクエストとWebhookリクエストの両方で利用できます。Webhookリクエストの場合、Webhookペイロードのtranscriptionオブジェクトにedited_transcriptが含まれます。
Scribe v3 LiveとScribe v2 Realtimeでも、確定した各文字起こしに同じ指示を使用できます。リアルタイム文字起こし編集ガイドをご覧ください。
指示の書き方
指示は文字起こし全体の該当箇所に適用され、最初の箇所だけでなく、条件に一致するすべての箇所が編集されます。特定の単語やフレーズのみを変更してほかの部分はそのまま残すことも、テキスト全体を書き換えたり注釈を付けたりすることもできます。1つの指示に複数の編集を含めることもできます。
次の例は、対応している指示の範囲を示しています。
一部の調整には、編集指示よりも安価で予測しやすい専用パラメーターがあります。
特定の名前や用語を認識しやすくするにはキーターム
プロンプティング、フィラーワードや
非流暢な発話を削除するにはno_verbatim、数字表記と単語表記を切り替えるには
numbers_format
(Scribe v3)を使用してください。文字起こしの編集は、これらのオプションでは対応できない変更に使用してください。
指示を書く際は、次の点に注意してください。
- 希望する出力を明確に指定してください。
fix the datesよりもWrite all dates in ISO 8601 format (YYYY-MM-DD)のほうが確実です。 - 指示はどの言語でも記述できますが、英語の指示が最も効果的です。編集後の文字起こしは元の言語のままです。
- 実行されるのは指示だけです。オーディオ内の発話内容はデータとして扱われ、指示の適用方法を変更することはできません。
- 指示によって変更される箇所が文字起こしにない場合、編集後の文字起こしは元の内容と同じになります。
レスポンス形式
transcript_editを設定すると、レスポンスにedited_transcriptオブジェクトが含まれます。そのkindフィールドは、編集が成功したかどうかを示します。
transcript_editがリクエストされていない場合、このフィールドは含まれません。
注意すべき動作:
- 編集後の文字起こしはプレーンテキストです。単語単位のタイムスタンプ、話者ラベル、
additional_formatsは引き続き元の文字起こしを表します。 - 編集は文字起こしの完了後に実行されるため、文字起こしが長いほどレイテンシーが増加します。
- 追加料金はリクエストのオーディオ時間に適用され、リクエストごとに最低10秒分が請求されます。
文字起こしの編集は、entity_detection、entity_redaction、use_multi_channelと
併用できません。これらを組み合わせたリクエストは、パラメーターが無効であるというエラーで拒否されます。