音声処理

概要

AGTCloud の音声インターフェースは、音声合成、音声文字起こし、音声翻訳に対応します。3 種類のタスクはそれぞれ異なる入力方式を使用し、音声ファイルまたはテキスト結果を返します。

対応するタスク

種類	説明	主な結果
音声合成	テキストを音声に変換します	バイナリ音声
音声文字起こし	音声を元の言語のテキストに変換します	JSON、テキスト、字幕
音声翻訳	音声を英語のテキストに変換します	JSON、テキスト、字幕

API への接続

Base URL

https://api.agtcloud.cn/v1

音声合成

curl 'https://api.agtcloud.cn/v1/audio/speech' \
  -H 'Authorization: Bearer your-api-key' \
  -H 'Content-Type: application/json' \
  --data '{
    "model": "MODEL_ID",
    "input": "AGTCloud へようこそ。",
    "voice": "alloy"
  }' \
  --output speech.mp3

パラメータ	必須	説明
`model`	はい	テキスト読み上げモデルの ID
`input`	はい	音声に変換するテキスト
`voice`	はい	音声生成に使用する声
`response_format`	いいえ	音声の出力形式
`speed`	いいえ	音声生成の速度

Speech は音声バイトを返します。JSON として解析せず、実際のレスポンス形式に応じて保存してください。

音声文字起こし

curl 'https://api.agtcloud.cn/v1/audio/transcriptions' \
  -H 'Authorization: Bearer your-api-key' \
  -F 'file=@meeting.mp3' \
  -F 'model=MODEL_ID'

パラメータ	必須	説明
`file`	はい	文字起こしする音声ファイル
`model`	はい	音声文字起こしモデルの ID
`language`	いいえ	入力音声の ISO-639-1 言語コード
`response_format`	いいえ	文字起こし結果の出力形式

Transcriptions は Multipart で音声をアップロードします。基本の JSON レスポンスでは、文字起こし結果は text フィールドに含まれます。

音声翻訳

curl 'https://api.agtcloud.cn/v1/audio/translations' \
  -H 'Authorization: Bearer your-api-key' \
  -F 'file=@chinese.mp3' \
  -F 'model=MODEL_ID'

パラメータ	必須	説明
`file`	はい	翻訳する英語以外の音声ファイル
`model`	はい	音声翻訳モデルの ID
`prompt`	いいえ	出力スタイルを指定する英語テキスト
`response_format`	いいえ	翻訳結果の出力形式

Translations は英語のテキストを返します。基本の JSON レスポンスでは、結果は text フィールドに含まれます。

レスポンスを処理する

インターフェース	レスポンスの処理
Speech	レスポンス形式に応じてバイナリ音声を保存します
Transcriptions	`response_format` に応じて JSON、テキスト、字幕を処理します
Translations	`response_format` に応じて英語のテキスト結果を処理します

概要