音声文字起こし API (POST /v1/audio/transcriptions)

音声ファイルを指定したフォーマットのテキストに文字起こしします。OpenAI API プロトコル仕様に完全準拠しています。

---

HTTP リクエスト

POST /v1/audio/transcriptions
Authorization: Bearer sk-oneasr-...
Content-Type: multipart/form-data

---

リクエストボディのフィールド仕様 (Multipart Form)

フィールド名	型	必須	パラメータ説明
file	binary	必須	音声ファイルのバイナリデータ (mp3, mp4, wav, m4a, ogg, webm, flac など)。
model	string	必須	呼び出すエンジン / モデル名（例: faster-whisper, qwen, whisper-1）。
language	string	任意	ISO-639-1 言語コード（例: zh, en, ja, de, ko）。
prompt	string	任意	文字起こしのスタイルや専門用語を誘導するコンテキストプロンプト。
response_format	string	任意	レスポンスデータ形式：json (デフォルト), text, srt, verbose_json, vtt。
temperature	number	任意	サンプリング温度パラメータ (0.0 〜 1.0、デフォルト: 0.0)。
timestamp_granularities	array	任意	タイムスタンプ粒度：["word"] (単語単位), ["segment"] (文単位)。

---

呼び出しサンプルコード

cURL

curl -X POST http://localhost:8000/v1/audio/transcriptions   -H "Authorization: Bearer sk-oneasr-v1-xxx"   -F file="@meeting.mp3"   -F model="faster-whisper"   -F language="ja"   -F response_format="verbose_json"

Python (公式 OpenAI SDK)

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="sk-oneasr-v1-xxx"
)

with open("speech.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="faster-whisper",
        file=f,
        response_format="verbose_json"
    )

print(result.text)

---

レスポンス例 (verbose_json)

{
  "task": "transcribe",
  "language": "japanese",
  "duration": 5.24,
  "text": "OneASR 高性能プライベート音声認識ゲートウェイへようこそ。",
  "segments": [
    {
      "id": 0,
      "seek": 0,
      "start": 0.0,
      "end": 5.2,
      "text": "OneASR 高性能プライベート音声認識ゲートウェイへようこそ。",
      "tokens": [50364, 4843, 284, 1530, 50589],
      "temperature": 0.0,
      "avg_logprob": -0.12,
      "compression_ratio": 1.1,
      "no_speech_prob": 0.001
    }
  ]
}