Speech to Text API

1つの音声ファイルをアップロードすると、完成したtranscriptをJSONまたはplain textで返します。multipart fieldとレスポンスはOpenAI transcription APIで 一般的な形式を採用していますが、endpointが異なるため、OpenAI SDKのBase URL だけを変更する方法には対応していません。

API概要

項目	値
Base URL	https://api.kitschlabs.com
Endpoint	POST /v1/speech-to-text
認証	Authorization: Bearer <API_KEY>またはxi-api-key: <API_KEY>
リクエスト	multipart/form-data
モデル	kitsch-stt-v1
最大ファイルサイズ	100 MiB
デフォルトレスポンス	JSON

Speech to Textは、認証済みのすべてのアカウントでデフォルトで利用できます。

ファイルを変換するには？

cURL

curl --request POST \
  "https://api.kitschlabs.com/v1/speech-to-text" \
  --header "Authorization: Bearer <API_KEY>" \
  --form "file=@speech.wav" \
  --form "model=kitsch-stt-v1" \
  --form "language=ja" \
  --form "response_format=json"

Python

import os

import requests

with open("speech.wav", "rb") as audio:
    response = requests.post(
        "https://api.kitschlabs.com/v1/speech-to-text",
        headers={"Authorization": f"Bearer {os.environ['KITSCH_API_KEY']}"},
        data={
            "model": "kitsch-stt-v1",
            "language": "ja",
            "response_format": "json",
        },
        files={"file": audio},
        timeout=120,
    )

response.raise_for_status()
print(response.json()["text"])

JavaScript

import { readFile } from "node:fs/promises";

const form = new FormData();
form.append("file", new Blob([await readFile("speech.wav")]), "speech.wav");
form.append("model", "kitsch-stt-v1");
form.append("language", "ja");
form.append("response_format", "json");

const response = await fetch("https://api.kitschlabs.com/v1/speech-to-text", {
  method: "POST",
  headers: { Authorization: `Bearer ${process.env.KITSCH_API_KEY}` },
  body: form,
});

if (!response.ok) {
  throw new Error(`${response.status}: ${await response.text()}`);
}

console.log((await response.json()).text);

どのfieldを送信できますか？

Field	型	必須	説明
file	file	はい	変換する音声ファイル。最大100 MiB
model	string	はい	kitsch-stt-v1
language	string	いいえ	予想される言語のISO 639-1コード。例：ko、en、ja
prompt	string	いいえ	固有名詞や文脈を示す短いヒント
response_format	string	いいえ	json（デフォルト）またはtext
stream	boolean	いいえ	falseのみ対応
kitsch_options	JSON string	いいえ	高度な認識オプション

temperature、stream=true、他のモデルID、未対応のレスポンス形式は エラーになります。音声をリアルタイムで送信する場合は Streaming APIを使用してください。

高度なオプション

kitsch_optionsはJSON文字列として送信します。対応するkeyは次のとおりです。

• language_hints, language_hints_strict
• enable_speaker_diarization
• enable_language_identification
• context
• translation

--form 'kitsch_options={"language_hints":["ja","en"],"enable_speaker_diarization":true}'

不明なkeyはエラーになります。

レスポンス形式

response_format=jsonのレスポンス：

{
  "text": "こんにちは。",
  "usage": {
    "type": "duration",
    "seconds": 1.25
  }
}

response_format=textではUTF-8 plain textを返します。サポートや障害調査のため、 レスポンスのx-kitsch-request-idを記録してください。

課金方法

成功したリクエストは、入力音声の長さを開始済みの1秒単位に切り上げ、 1秒あたり0.1 creditで計算します。たとえば4.2秒と5.0秒はそれぞれ0.5 credit、 5.1秒は0.6 creditです。失敗したリクエストや入力検証で拒否されたリクエストは 課金されません。

エラー処理

エラーbodyにはerror.message、error.type、error.param、error.codeが 含まれます。

{
  "error": {
    "message": "The uploaded file is too large.",
    "type": "invalid_request_error",
    "param": "file",
    "code": "file_too_large"
  }
}

Status	意味	推奨対応
400・422	ファイル、モデル、オプションが無効	fieldと音声ファイルを確認
401	APIキーがない、または無効	認証ヘッダーを確認
402	credit不足	残高と請求状態を確認
413	ファイルサイズ超過	100 MiB以下にして再送信
429	リクエストまたは処理容量の上限	Retry-Afterに従いbackoffを適用
503	一時的に利用不可	request IDを記録し、限定的に再試行