Fish Audio: Fish Transcribe-1
fish-transcribe-1- 価格
- 価格 $0.0001
- モダリティ
- オーディオ
Fish Transcribe-1 について
Fish Transcribe-1は、短い録音向けのFish Audioの汎用音声認識（Speech-to-Text）モデルです。音声ファイルをアップロードすると、文字起こし結果、録音の長さ、および要求に応じて単語単位のタイムスタンプが返されます。言語は自動的に検出されますが、オプションでヒントを指定することも可能です。感情表現を含む長時間の複数人会話には、Fish Audioが推奨するTranscribe-1 Proが適しています。
得意なこと
- レスポンスには、請求確認や字幕合わせに役立つ、音声の報告された長さ（duration）がテキストと共に含まれます。
- タイムスタンプを要求すると単語単位の開始・終了時間が取得できるため、文字起こし結果を字幕として分割できます。
- 元のファイルがそのまま送信されます。WAV、MP3、AAC、FLAC、Ogg、WebM/Matroska、MOVは事前の変換が不要です。
- 言語は自動検出されるため、異なる言語が混在する録音バッチでも、ファイルごとに言語を指定する必要はありません。
他のモデルを検討すべきケース
- Fish Audioは本モデルを短い録音向けに位置付けています。複数人の会話や長時間の音声には、話者マーカーや感情キューを備えたTranscribe-1 Proの方が適しています。
- アップロードされたファイルに対して動作するため、ライブマイクストリームにはリアルタイム音声認識モデルが必要です。
- AIFF、CAF、WMA、AMR、raw PCMなどの形式は受け入れられないため、アップロード前に変換が必要です。
はじめに
最初のキーを作成
Consoleでキーを作成すれば、プラットフォーム内のすべてのモデルで使えます。
最初のリクエストを送信する
お使いの言語の例をコピーして、エンドポイントに対して実行してください。
音声からテキストへTokenLab エンドポイントPOST/v1/audio/transcriptionscurl -X POST "https://api.tokenlab.sh/v1/audio/transcriptions" \ -H "Authorization: Bearer sk-xxx" \ -F file="@audio.mp3" \ -F operation="stt" \ -F response_format="json" \ -F model="fish-transcribe-1" \ -F language="en"
パラメータ
音声からテキストへ
| パラメーター | 値と制限 | デフォルト | 注記 |
|---|---|---|---|
file | 入力数: ≥ 1, ≤ 1 | 未提供 | Send one audio file in multipart/form-data. Maximum file size is 25 MiB. |
response_format | json | json | 未提供 |
料金
Verified 価格は Verified に適用され、多くのモデルでより低コストです。Official 価格はモデルのメーカーが公表する価格で、信頼性の高い Official ルートに適用されます。Auto はリクエストを完了したルートの価格で課金します。
音声からテキストへ
1秒あたり- Official 価格
- $0.0001
- Verified 価格
- —
- 割引
- —
| Official 価格1秒あたり | Verified 価格1秒あたり | 割引 | |
|---|---|---|---|
| 音声からテキストへ | $0.0001 | — | — |
使用状況とアクティビティ
成功率は完了したリクエストの割合です。レイテンシは完全なレスポンスにかかる時間で、P95 は 95% のリクエストがその時間内に完了したことを意味します。
使用量と可用性
過去24時間- リクエスト数
- 成功率
- P95 レイテンシ
- 合計トークン数
データはステータスチェックを除外した、集計済みのユーザーリクエストに基づいています。
Consoleで開く
ConsoleでFish Transcribe-1を開き、プロンプトを編集・送信できます。
fish-transcribe-1と/v1/audio/transcriptionsで音声をテスト。結果とコストを表示します。
ユースケース
ボイスメッセージの文字起こし
短いボイスメモ、サポート通話の断片、録音されたメモを、長さ情報付きの検索可能なテキストに変換します。
字幕ドラフト
短いクリップの単語タイミングを要求し、それらをレビュー用の字幕行にグループ化します。
音声による入力フォーム
モバイルアプリからの音声回答を文字起こしし、構造化されたフィールドを埋めるモデルにテキストを渡します。
多言語アーカイブ
異なる言語のクリップを1つのエンドポイントで処理し、自動言語検出機能を利用します。
プロンプト例
この40秒のボイスメモを文字起こしし、字幕を作成できるよう単語単位のタイムスタンプを返してください。
添付された顧客のボイスメールを元の言語で文字起こしし、録音の合計時間を教えてください。
この短い製品デモナレーションのMP3をテキストに変換してください。話者は英語と中国語を切り替える可能性があります。
FAQ
Fish Transcribe-1とTranscribe-1 Proの違いは何ですか？
Transcribe-1は短い録音の一般的な文字起こし用です。Transcribe-1 Proは、最大60分までの録音、複数人の会話、話者マーカーや感情キューが必要な文字起こしに対してFish Audioが推奨するモデルです。誰が何を言ったかを知る必要がある場合はProを選択してください。
Fish Transcribe-1は何を返しますか？
テキスト、秒単位の長さ、およびリクエストIDを返します。タイムスタンプを要求した場合は、テキスト、開始、終了を含む単語単位のセグメントも返されます。
どのオーディオ形式をアップロードできますか？
Fish Audioは、元のバイトとして送信されたWAV、MP3、AAC、FLAC、Ogg、WebM/Matroska、MOVファイルを受け入れます。ビデオコンテナの場合は最初のオーディオトラックが使用されます。AIFF、CAF、WMA、AMR、raw PCMはサポートされていません。
言語を指定する必要がありますか？
いいえ。Fish Audioは言語を自動的に検出します。レスポンスには、判明している場合は検出された言語が含まれます。非常に短いクリップやノイズの多いクリップなど、検出が不確実な場合に備えて、オプションの言語ヒントも用意されています。
ライブ音声を文字起こしできますか？
いいえ。本モデルはアップロードされたファイルを処理して文字起こし結果を返します。ライブ字幕や、話している最中に反応する必要がある音声エージェントには、ストリーミング認識用に構築されたモデルを選択してください。
Fish Transcribe-1 の料金はいくらですか？
TokenLab では Fish Transcribe-1 は $0.0001 1秒あたり です。詳細は上の料金表を参照してください。 料金は課金単位・仕様・使用量によって異なります。モデルの詳細な料金で同条件同士を比較してください。単一のレートで総額は決まりません。
Fish Transcribe-1 はどのエンドポイントを使うべきですか？
Fish Transcribe-1 のデフォルトは https://api.tokenlab.sh/v1/audio/transcriptions です。プロバイダーネイティブ形式に対応している場合は、API workbench にそのエンドポイントも表示されます。
Fish Transcribe-1 はどの操作に対応していますか？
Fish Transcribe-1 は 音声からテキストへ に対応しています。上の API workbench で操作を選ぶと、対応するエンドポイントとコード例が表示されます。
Fish Transcribe-1 を比較する
ソース
2026/10/02 時点での評価
Fish Audio の他のモデル