Realtime Transcription API

WebSocketで音声を送信し、発話ごとの文字起こし結果を受信します。モデルはkitsch-stt-v1です。

WSS /v1/realtime?intent=transcription

接続時にAuthorization: Bearer <KITSCH_API_KEY>ヘッダーを送信します。

リクエスト

{"type":"session.update","session":{"type":"transcription","audio":{"input":{"format":{"type":"audio/pcm","rate":24000},"transcription":{"model":"kitsch-stt-v1"},"turn_detection":null}}}}

{"type":"input_audio_buffer.append","audio":"<BASE64_AUDIO>"}

{"type":"input_audio_buffer.commit"}

session.update、input_audio_buffer.append、input_audio_buffer.commitを送信します。サーバーはsession・commitイベントと文字起こしのdelta・completedを返します。

PCM入力はsigned PCM16 little-endian、mono、24 kHzです。audio/pcmuとaudio/pcmaは8 kHzです。1イベントのデコード後音声上限は256 KiB、接続上限は30秒です。

応答

{"type":"conversation.item.input_audio_transcription.delta","item_id":"item_1","content_index":0,"delta":"Hello."}

{"type":"conversation.item.input_audio_transcription.completed","item_id":"item_1","content_index":0,"transcript":"Hello.","usage":{"type":"duration","seconds":1}}

リクエスト​

応答​

リクエスト

応答