メインコンテンツへスキップ
POST
/
v3
/
elevenlabs-scribe-v2
ElevenLabs 音声テキスト変換 V2
curl --request POST \
  --url https://api.highwayapi.ai/v3/elevenlabs-scribe-v2 \
  --header 'Authorization: <authorization>' \
  --header 'Content-Type: <content-type>' \
  --data '
{
  "seed": 123,
  "diarize": true,
  "file_format": "<string>",
  "temperature": 123,
  "num_speakers": 123,
  "language_code": "<string>",
  "tag_audio_events": true,
  "cloud_storage_url": "<string>",
  "use_multi_channel": true,
  "diarization_threshold": 123,
  "timestamps_granularity": "<string>"
}
'
音声または動画ファイルを文字起こしします。use_multi_channel が true で、アップロードされた音声に複数のチャンネルがある場合、各チャンネルにつき 1 つの文字起こしを含む ‘transcripts’ オブジェクトを返します。それ以外の場合は、単一の文字起こし結果を返します。

​
リクエストヘッダー

​
Content-Type
string
必須
列挙値: application/json
​
Authorization
string
必須
Bearer 認証形式: Bearer {{API Key}}。

​
リクエストボディ

​
seed
integer
指定した場合、システムは可能な限り決定論的にサンプリングします。同じ seed とパラメータのリクエストは同じ結果を返すはずですが、完全な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。値の範囲：[0, 2147483647]
​
diarize
boolean
デフォルト:false
アップロードファイル内の現在の話者をラベル付けするかどうか。
​
file_format
string
デフォルト:"other"
入力音声形式。‘pcm_s16le_16’ または ‘other’ を選択できます。pcm_s16le_16 は、音声が 16kHz サンプリングレート、16 ビット整数、モノラル、リトルエンディアン形式であることを要求し、エンコードされた波形と比べて遅延が低くなります。選択可能な値：pcm_s16le_16, other
​
temperature
number
文字起こし出力のランダム性を制御します。値の範囲は 0.0 ～ 2.0 で、値が高いほど結果は多様になり、不確実性も高くなります。省略した場合、選択したモデルのデフォルト温度（通常は0）が使用されます。値の範囲：[0, 2]
​
num_speakers
integer
アップロードファイル内の話者の最大数。話者の区別を補助するために使用でき、最大 32 人の話者をサポートします。値の範囲：[1, 32]
​
language_code
string
音声ファイルの ISO-639-1 または ISO-639-3 言語コードを指定します。事前に指定すると、文字起こし性能が向上する場合があります。デフォルトは null で、言語は自動検出されます。
​
tag_audio_events
boolean
デフォルト:true
文字起こし内で（laughter）（footsteps）などの音声イベントをタグ付けするかどうか。
​
cloud_storage_url
string
必須
文字起こし対象ファイルの HTTPS リンク。file と cloud_storage_url のいずれか一方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かつ 2GB 未満である必要があり、クラウドストレージ（AWS S3、GCS、Cloudflare R2 など）、CDN、その他の HTTPS ソースを含む任意の有効な HTTPS アドレスをサポートします。token 付きの事前署名済みリンクや URL クエリパラメータによる認証もサポートします。
​
use_multi_channel
boolean
デフォルト:false
音声ファイルがマルチチャンネルであり、各チャンネルに単一の話者のみが含まれるかどうか。有効にすると、各チャンネルを個別に文字起こしして結果を合成し、出力内容の各単語には 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。
​
diarization_threshold
number
話者分離（diarization）のしきい値。値が大きいほど、1 人が複数人として分割される確率は低くなりますが、異なる人が 1 人として結合される確率は高くなります（識別される話者数は少なくなります）。値が小さいほど、1 人が複数人として分割される確率は高くなりますが、異なる人が 1 人として結合される確率は低くなります（話者数は多くなります）。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、モデル id に基づいてしきい値が選択されます（通常は 0.22）。値の範囲：[0.1, 0.4]
​
timestamps_granularity
string
デフォルト:"word"
文字起こし内容におけるタイムスタンプの粒度。‘word’ は単語レベルのタイムスタンプを提供し、‘character’ は各文字のタイムスタンプを提供します。選択可能な値：none, word, character

​
レスポンス情報

レスポンスは以下のレスポンスタイプのいずれかになる場合があります：
​
text
string
必須
文字起こしされた元のテキスト。
​
words
array
必須
単語とその時間情報のリスト。
​
channel_index
integer
この文字起こしに対応するチャンネルインデックス（マルチチャンネル音声の場合に有効）。
​
language_code
string
必須
検出された言語コード（例：‘eng’ は英語を表します）。
​
transcription_id
string
このレスポンスの文字起こしの一意の ID。
​
language_probability
number
必須
言語検出の信頼度（0 から 1 の間）。
​
transcripts
array
必須
各音声チャンネルに対応する文字起こしのリスト。各文字起こしには、対応するチャンネルのテキストと単語レベルの詳細情報が含まれます。
​
transcription_id
string
このレスポンスの文字起こしの一意の ID。