Speech Recognition API による音声からテキストへのパイプライン構築 - OpenSearch - Alibaba Cloud - OpenSearch

AI 検索オープンプラットフォームは、音声認識 API を提供します。この API は、音声やビデオから音声を迅速に構造化テキストに変換し、会議の文字起こし、ビデオ検索インデックス、オンラインカスタマーサービスなどに利用できます。

サービスリスト

サービス名	サービス ID	説明	API QPS 制限
音声認識サービス	ops-audio-asr-001	音声コンテンツから字幕を生成します。	5 説明より高い API QPS 制限をリクエストするには、テクニカルサポートにチケットを送信してください。

認証情報の取得

AI 検索オープンプラットフォームでは、認証に API キーが必要です。手順については、「API キーの取得」をご参照ください。
サービスエンドポイントの取得

サービスは、パブリックネットワークまたは VPC 経由で呼び出すことができます。詳細については、「サービスエンドポイントの取得」をご参照ください。

非同期音声認識タスク

リクエストメソッド：POST

URL

POST {host}/v3/openapi/workspaces/{workspace_name}/audio-asr/{service_id}/async

host：サービスエンドポイント。API サービスは、パブリックネットワークまたは VPC から呼び出すことができます。詳細については、「サービスエンドポイントの取得」をご参照ください。

AI 検索オープンプラットフォームコンソールにログインします。左上の隅で、ターゲットワークスペース (例：default (default space)) を選択します。左側のナビゲーションウィンドウで、[API キー] をクリックします。アクセスドメインセクションで、パブリック API ドメインとプライベート API ドメインを確認できます。

workspace_name：ワークスペース名 (例：default)。
service_id：組み込みサービス ID (例：ops-audio-asr-001)。

リクエストパラメーター

ヘッダーパラメーター

API キー認証

パラメーター	型	必須	説明	例
Content-Type	String	はい	リクエストボディのメディアタイプ。	application/json
Authorization	String	はい	API キー	Bearer OS-d1**2a

ボディパラメーター

パラメーター	型	必須	説明
input	Object(input)	はい	処理するメディアファイル。
parameters	Object	いいえ	サービスのパラメーター。
output	Object(output)	はい	出力構成。

input

パラメーター	型	必須	説明
content	String	いいえ	base64 エンコードされた音声またはビデオコンテンツ。サポートされている音声フォーマット：mp3、wav、aac、flac、ogg、m4a、alac、wma。サポートされているビデオフォーマット：mp4、avi、mkv、mov、flv、webm。説明 `input.content` と `input.oss` パラメーターは相互排他的です。いずれか一方のみを指定してください。 Base64 データの使用：エンコードされた Base64 データを、`data:<TYPE>/<FORMAT>;base64,<BASE64_DATA>` のフォーマットで `content` パラメーターに渡します。ここで、 `<TYPE>/<FORMAT>` 音声 (mp3 など) の場合は、`audio/mp3` を使用します。ビデオ (mov など) の場合は、`video/mov` を使用します。 `<BASE64_DATA>`：BASE64 エンコードされた音声またはビデオデータ。例：音声：data:audio/mp3;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj... ビデオ：data:video/mov;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj...
oss	String	いいえ	入力ファイルの OSS パス。例：`oss://<bucket_name>/path/to/file.mp3`。
file_name	String	いいえ	音声またはビデオファイルの名前。このパラメーターが設定されていない場合、ファイル名はコンテンツから解析されます。

出力

パラメーター

型

必須

説明

type

String

いいえ

text：音声認識結果をプレーンテキストで返します。このオプションは同期タスクでのみサポートされます。

oss：出力ファイルを OSS バケットに保存します。これがデフォルトです。

oss

String

いいえ

出力ファイルの OSS パス。type が oss に設定されている場合に必須です。

例：oss://<BUCKET_NAME>/result

レスポンスパラメーター

パラメーター	型	説明	値の例
result.task_id	String	音声認識タスクの一意の識別子。	asr-xxxx-abc-123

Curl の例

curl -X POST \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <API_KEY>" \
  "http://***-hangzhou.opensearch.aliyuncs.com/v3/openapi/workspaces/default/audio-asr/ops-audio-asr-001/async"
  --data '{
  "input":{
      "oss":"oss://<BUCKET_NAME>/xxx/xxx.mp3",
      "file_name":"xxx"
    },
    "output" :{
      "type":"oss",
      "oss":"oss://<BUCKET_NAME>/result"
    }
  }' \

レスポンスの例

{
  "request_id": "3eb8de02091b59431601f3bff******",
  "latency": 37,
  "usage": {},
  "result": {
    "task_id": "asr-20250610164552-1108418170738252-******",
    "status": "PENDING"
  }
}

非同期音声認識タスクのステータス

リクエストメソッド：GET

URL

host：サービスエンドポイント。API サービスは、パブリックネットワークまたは VPC から呼び出すことができます。詳細については、「サービスエンドポイントの取得」をご参照ください。
workspace_name：ワークスペース名 (例：default)。
service_id：組み込みサービス ID (例：ops-audio-asr-001)。
task_id：非同期音声認識タスクの一意の ID。タスク作成時のレスポンスで返されます。

リクエストパラメーター

パラメーター	型	必須	説明	例
Content-Type	String	はい	リクエストのメディアタイプ。	application/json
Authorization	String	はい	認証用の API キー。	Bearer OS-d1**2a

レスポンスパラメーター

パラメーター	型	説明	例
request_id	String	リクエスト ID。	3C09570D-12DB-46B4-BF0F-A100D79B****
latency	Float/Int	リクエストのレイテンシー (ミリ秒)。	3.0
result.task_id	String	非同期タスク ID。	a7e4c0f6-874c-47e3-b05b-02278a96e****
result.status	String	タスクのステータス。有効な値は次のとおりです： `PENDING`：タスクは処理待ちです。 `SUCCESS`：タスクは正常に完了しました。 `FAIL`：タスクはエラーにより失敗しました。	PENDING
result.error	String	エラーメッセージ。このフィールドは、`result.status` が `FAIL` の場合にのみ値を持ちます。
result.data	List(AsrResult)	音声認識結果。このフィールドは、非同期タスクのステータスが `SUCCESS` の場合にのみ入力されます。
usage.duration	Float	音声ファイルの持続時間 (秒)。

AsrResult

パラメーター	型	説明
text	String	音声認識による文字起こしテキスト。
start	Float	ビデオ内のテキストの開始タイムスタンプ (秒)。
end	Float	ビデオ内のテキストの終了タイムスタンプ (秒)。

例：cURL リクエスト

curl -X GET \
-H"Content-Type: application/json" \
-H "Authorization: Bearer <your_api_key>" \
"http://***-hangzhou.opensearch.aliyuncs.com/v3/openapi/workspaces/default/audio-asr/ops-audio-asr-001/async/task-status?task_id=asr-20250618112151-1108418170738252-******"

レスポンスの例

{
  "request_id": "1a1a4ca4b7a91dd630a40c54af******",
  "latency": 9,
  "usage": {
    "duration": 9
  },
  "result": {
    "task_id": "asr-20250618112151-1108418170738252-******",
    "status": "SUCCESS",
    "data": [
      {
        "text": "Rong Jielvdou began to speak, his voice as warm as the spring sun,",
        "start": 0.0,
        "end": 3.9
      },
      {
        "text": "full of life and warming the hearts of everyone who listened.",
        "start": 4.24,
        "end": 9.06
      }
    ]
  }
}

同期音声認識タスクの作成

リクエストメソッド：POST

URL

{host}/v3/openapi/workspaces/{workspace_name}/audio-asr/{service_id}/sync

host：サービスエンドポイント。API サービスは、パブリックネットワークまたは VPC 経由で呼び出すことができます。詳細については、「サービスエンドポイントの取得」をご参照ください。
workspace_name：ワークスペース名 (例：default)。
service_id：組み込みサービス ID (例：ops-audio-asr-001)。

リクエストパラメーター

ヘッダーパラメーター

API キー認証

パラメーター	型	必須	説明	例
Content-Type	String	はい	リクエストボディのメディアタイプを指定します。	application/json
Authorization	String	はい	認証用の API キー。"Bearer " をプレフィックスとして付けます。	Bearer OS-d1**2a

ボディパラメーター

パラメーター	型	必須	説明
input	Object(input)	はい	処理するメディアファイル。
parameters	Object	いいえ	サービスのパラメーター。
output	Object(output)	はい	出力構成。

input

パラメーター	型	必須	説明
content	String	いいえ	base64 エンコードされた音声またはビデオコンテンツ。サポートされている音声フォーマット：mp3、wav、aac、flac、ogg、m4a、alac、wma。サポートされているビデオフォーマット：mp4、avi、mkv、mov、flv、webm。説明 `input.content` と `input.oss` パラメーターは相互排他的です。いずれか一方のみを指定してください。 Base64 データの使用：エンコードされた Base64 データを、`data:<TYPE>/<FORMAT>;base64,<BASE64_DATA>` のフォーマットで `content` パラメーターに渡します。ここで、 `<TYPE>/<FORMAT>` 音声 (mp3 など) の場合は、`audio/mp3` を使用します。ビデオ (mov など) の場合は、`video/mov` を使用します。 `<BASE64_DATA>`：BASE64 エンコードされた音声またはビデオデータ。例：音声：data:audio/mp3;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj... ビデオ：data:video/mov;base64,AAAAIGZ0eXBtcDQyAAABAGlzbWZj...
oss	String	いいえ	入力ファイルの OSS パス。例：`oss://<bucket_name>/path/to/file.mp3`。
file_name	String	いいえ	音声またはビデオファイルの名前。このパラメーターが設定されていない場合、ファイル名はコンテンツから解析されます。

出力

パラメーター

型

必須

説明

type

String

いいえ

text：音声認識結果をプレーンテキストで返します。このオプションは同期呼び出しでのみ利用可能です。

oss：ビデオまたは音声ファイルを OSS に保存します (デフォルト)。

oss

String

いいえ

出力ファイルの OSS パス。type が oss の場合に必須です。

例：oss://<BUCKET_NAME>/result

レスポンスパラメーター

パラメーター	型	説明	値の例
result.task_id	String	音声認識タスクの一意の識別子。	asr-xxxx-abc-123

Curl リクエスト

curl -X POST \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <API_KEY>" \
  "http://***-hangzhou.opensearch.aliyuncs.com/v3/openapi/workspaces/default/audio-asr/ops-audio-asr-001/sync"
  --data '{
  "input":{
      "oss":"oss://<BUCKET_NAME>/xxx/xxx.mp3",
      "file_name":"xxx.mp3"
    },
    "output":{
      "type":"oss",
      "oss":"oss://<BUCKET_NAME>/result"
    }
  }' \

レスポンスの例

{
  "request_id": "df96b5c444281e0e79561fe9f8******",
  "latency": 570,
  "usage": {
    "duration": 9
  },
  "result": {
    "task_id": "asr-20250618132401-1108418170738252-******",
    "status": "SUCCESS",
    "data": [
      {
        "text": "Rong Jielvdou began to speak, his voice as warm as the spring sun,",
        "start": 0.0,
        "end": 3.9
      },
      {
        "text": "full of life and warming the hearts of everyone who listened.",
        "start": 4.24,
        "end": 9.06
      }
    ]
  }
}

ステータスコード

アクセスリクエストが失敗した場合、出力にはエラーを説明する code と message が含まれます。

{
    "request_id": "6F33AFB6-A35C-4DA7-AFD2-9EA16CCF****",
    "latency": 2.0,
    "code": "InvalidParameter",
    "http_code": 400,
    "message": "JSON parse error: Cannot deserialize value of type `ImageStorage` from String \\"xxx\\"
}

HTTP ステータスコード	エラーコード	説明
200	-	タスクが失敗した場合でも、リクエストは成功です。実際のタスクステータスについては、`result.status` を確認してください。
404	BadRequest.TaskNotExist	指定されたタスクは存在しません。
400	InvalidParameter	リクエストが無効です。
500	InternalServerError	内部エラーが発生しました。

ステータスコードの詳細については、「ステータスコードの説明」をご参照ください。