Fish Audio: Transcribe 1 Pro

Fish Audio: Transcribe 1 Pro は、音声および音声処理の分野での取り組みで知られるプロバイダー、Fish Audio による音声テキスト変換モデルです。文字起こしカテゴリに属し、同社のプロ向け文字起こし製品として位置づけられています。プロバイダーは 2026-09-24 にこれをリリースしたため、長く存在するレガシーモデルではなく、Fish Audio ラインへの最近の追加です。

このモデルは音声のみを入力として受け取り、出力として文字起こしを返します。インタビュー、会議、ポッドキャスト向けに特化して調整されており、短い音声コマンドではなく、長時間の複数話者録音向けに作られていることを意味します。際立った特徴はインライン話者マーカーで、文字起こしは区別のない単一のテキストブロックを生成するのではなく、誰が話しているかをラベル付けします。また、感情と発声イベントの手がかりも保持するため、音声内の非語彙情報が取り除かれずに文字起こしへ引き継がれます。このモデルについてコンテキストウィンドウ長は公開されていないため、記載されたトークン予算ではなく、送信する音声のサイズを基準に計画してください。

これらの機能は、かなり特定の用途群を示しています。話者分離された文字起こしは、各参加者の発言を帰属させる必要がある会議メモ、ジャーナリストや研究者が引用するインタビュー文字起こし、誰が何を言ったかを知ることに番組ノート、チャプター、検索可能な文字起こしが依存するポッドキャスト制作に役立ちます。感情と発声イベントの手がかりが文字起こし後も残るため、出力は通話録音の感情分析、インタビューの口調の編集レビュー、単なる言葉以上のものを伝えるアクセシビリティ字幕などの下流タスクも支えられます。現在、単純な音声テキスト変換モデルと別個の話者分離ステップを組み合わせているパイプラインは候補になります。このモデルは話者ラベル付けを文字起こし自体に組み込むからです。

これは、モデル id "fish-audio/transcribe-1-pro" を使用して api14 の OpenAI 互換 API 経由で呼び出します。そのため、既存の OpenAI SDK クライアントと HTTP 統合は、ベース URL とモデル名を変更するだけで動作します。リクエストは標準的な音声文字起こしの形に従います。音声ファイルを送信し、レスポンスから文字起こしを読み取ります。このモデルはそれ以外に追加のリクエストパラメータを公開していないため、temperature、プロンプトスタイル、出力形式について調整するものはありません。固定構成として扱ってください。送信するものは音声で、返ってくるものは話者情報と感情情報が埋め込まれた文字起こしです。

プロバイダーが対応パラメータも最大出力長も記載していないため、このモデルは、デコードを制御したい場合や、API 自体から特定の構造化出力スキーマを得たい場合には不向きです。調整可能なパラメータ、単純なテキストモデル、または音声入力と内容に対する推論を組み合わせたい場合は、api14 上の別のモデルの方が適しています。インタビュー、会議、ポッドキャストのクリーンで話者ラベル付きの文字起こしが作業のすべてである場合に Transcribe 1 Pro を選んでください。