OpenAI: Whisper 1

OpenAI: Whisper 1 は OpenAI の自動音声認識モデルで、モデル ID whisper-1 として API 経由で提供されています。Whisper 自体は OpenAI のオープンソース音声認識ファミリーであり、このエンドポイントはその機能をホスト型サービスとして公開しています。これは文字起こしカテゴリに属するため、その役割は会話的な返答を生成したりプロンプトについて推論したりすることではなく、録音された音声を書き起こされたテキストに変換することです。

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。文字起こしと翻訳の両方を処理し、50 以上の言語をカバーしています。音声ファイルは最大 25 MB までで、一般的な音声フォーマットを幅広く受け付けます。ここでは管理すべきテキストコンテキストウィンドウはありません。モデルはチャット形式のトークン列を消費も生成もしないためです。作業の単位は音声ファイルであり、結果は対応するテキストです。モデルページには調整可能なリクエストパラメータが記載されていないため、エンドポイントが提供するデフォルト値で作業することになります。

出力は音声から導出されたテキストであるため、実用的な用途は直接的に導かれます。会議の録音、インタビュー、講義、ポッドキャスト、ボイスメモを、検索可能で編集可能なテキストに文字起こしできます。翻訳機能により、対応言語のいずれかで話された音声を英語のテキストに変換できるため、多言語のアーカイブやサポート録音に役立ちます。動画の字幕やキャプション生成も自然な用途であり、通話録音のライブラリ上に後で確認したりインデックス化したりするためのテキストレイヤーを構築する場合も同様です。音声を書面化されたコンテンツにする必要があるワークフローで、ファイルサイズが最大 25 MB までのものであれば、候補になります。

api14 経由での呼び出しは、ゲートウェイ上の他のモデルと同じように、OpenAI 互換 API をモデル ID openai/whisper-1 で使用して機能します。OpenAI API が期待する形式で音声を文字起こしエンドポイントに送信すると、レスポンスに文字起こしされたテキストが含まれます。サポートされているパラメータのリストは空であるため、api14 上のこのモデルに文書化された追加の調整項目はありません。音声とモデル ID を渡し、文字起こしを読み取るだけです。アプリケーションがすでに OpenAI API に対応しているなら、このモデルへの切り替えはモデル識別子を変更するだけです。

留意すべき点の 1 つは、25 MB のファイル制限です。より長い録音は送信前に分割する必要があり、音声がそのサイズを超える場合は自分でセグメント化するか前処理を行う必要があります。また、このモデルは文字起こしのみを生成することにも注意してください。質問に答えたり、指示に従ったり、テキストを生成したりするモデルが必要な場合は、チャットモデルまたは言語モデルの方が適しています。Whisper 1 は、タスクが厳密に音声からテキストへの変換である場合に適した選択です。