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

注目のモデル

モデル	プロバイダー	特長
MiniMax Speech	MiniMax	自然な音声合成と表現力のある声の生成に適しています
OpenAI Transcription	OpenAI	OpenAI 互換 API を通じて音声を文字起こしします
Gemini TTS	Google	自然言語の指示に基づく音声合成に適しています

すべてのモデルを見る

API への接続

Base URL

https://api.agtcloud.ai/v1

音声合成

curl 'https://api.agtcloud.ai/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.ai/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.ai/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