StackFlow AI Platform
モデルライブラリ
開発例
LLM630 Compute Kit
音声認識 API
音声認識エンドポイントは音声ファイルを受け取り、デバイス上で動作する音声認識モデルを使用してテキストを返します。この例では AI Pyramid 向けの SenseVoice モデルを使用します。
準備
エンドポイントを呼び出す前に、音声認識モデルと例で使用するツールをインストールしてください。対応プラットフォームはモデルライブラリを参照してください。
- apt パッケージ管理ツールを使用して SenseVoice モデルパッケージをインストールします。
apt install llm-model-sense-voice-small-10s-ax650ffmpegツールをインストールします。
apt install ffmpeg- インストール完了後、OpenAI サービスを再起動して新しいモデルを有効にします。
systemctl restart llm-openai-apiサンプルプログラム
PC 側から OpenAI API を介してオーディオファイルを送信し、文字起こし機能を実現します。プログラムを実行する前に、以下の base_url の IP 部分をデバイスの実際の IP アドレスに変更してください。
from openai import OpenAI
client = OpenAI(
api_key="sk-",
base_url="http://192.168.20.186:8000/v1"
)
audio_file = open("speech.mp3", "rb")
transcript = client.audio.transcriptions.create(
model="sense-voice-small-10s-ax650",
file=audio_file
)
print(transcript)リクエストパラメータ
| パラメータ名 | 型 | 必須 | 例 | 説明 |
|---|---|---|---|---|
| file | file | はい | - | 文字起こしする音声ファイルオブジェクト（ファイル名ではありません）。サポートされている形式：flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav, webm |
| model | string | はい | sense-voice-small-10s-ax650 | SenseVoice モデルは、中国語、英語、日本語、広東語、韓国語などの多言語自動認識をサポートしています。 |
| language | string | いいえ | - | モデル内部で言語を自動認識します。 |
| response_format | string | いいえ | json | レスポンス形式。現在は json のみをサポートしており、デフォルト値は json です。 |
レスポンス例
Transcription(text=' Thank you. Thank you everybody. All right everybody go ahead and have a seat. How\'s everybody doing today? .....',
logprobs=None, task='transcribe', language='en', duration=334.234, segments=12, sample_rate=16000, channels=1, bit_depth=16)Page Tools