言語オプション
このガイドでは、リアルタイム・スピーチtoテキストAPIを使って複数の言語のオーディオを文字起こしする方法を説明します。
ハウツーガイド · クライアントサイドまたは サーバーサイド ストリーミングガイドを完了していることを前提としています。
概要
デフォルトでは、リアルタイムAPIがオーディオの言語を自動検出します。この動作は、次の3つの方法で変更できます。
language_codeをオーディオの言語に設定します。secondary_languagesを追加し、言語検出を想定される言語のみに限定します。- Scribe v3 Liveでは、
multilang_mode=trueを設定し、セッション中に言語を切り替える話者に追従します。
Scribeは翻訳しません。音声は話された言語のまま文字起こしされます。
第2言語
メインの言語を language_code で渡し、追加する言語ごとにクエリ文字列内で secondary_languages を1回ずつ指定します。どちらもISO-639-1またはISO-639-3コードを使用できます。
secondary_languages は、言語識別の対象を指定した言語に限定することで、識別の信頼性を高めます。セッション中に言語を切り替える話者に追従するには、多言語モードを使用してください。
多言語モード
多言語モードはScribe v3 Live（scribe_v3_live）でのみ使用できます。他のモデルでは
multilang_mode=true が invalid_request エラーで拒否され、接続が閉じられます。
multilang_mode=true を設定すると、Scribe v3 Liveは各言語をそれぞれの文字体系で文字起こしし、文の途中も含めて言語の切り替えに追従します。
多言語モードには、次のトレードオフがあります。
- 別の言語のように聞こえる背景音声が文字起こしされる場合があります。
- 短いフレーズは誤って文字起こしされる可能性が高くなります。
公式SDKはまだ multilang_mode に対応していません。使用するには、WebSocket APIへ
直接接続してください。