9router-stt

9Router — 音声認識

NINEROUTER_URL が必要です（認証が有効な場合は NINEROUTER_KEY も必要です）。セットアップについては https://raw.githubusercontent.com/decolua/9router/refs/heads/master/skills/9router/SKILL.md を参照してください。

検出

curl $NINEROUTER_URL/v1/models/stt | jq '.data[].id'
# Per-model params (language, response_format, prompt, temperature support)
curl "$NINEROUTER_URL/v1/models/info?id=openai/whisper-1"

model = 音声認識モデル ID（例：openai/whisper-1、groq/whisper-large-v3、deepgram/nova-3、gemini/gemini-2.5-flash）。

エンドポイント

POST $NINEROUTER_URL/v1/audio/transcriptions（OpenAI Whisper 互換、multipart/form-data）

フィールド	必須	備考
model	はい	/v1/models/stt から指定
file	はい	音声ファイル（mp3、wav、m4a、webm、ogg、flac）
language	いいえ	ISO-639-1（例：en、vi）
prompt	いいえ	文字起こしを誘導するヒントテキスト
response_format	いいえ	json（デフォルト）／text／verbose_json／srt／vtt
temperature	いいえ	0～1

使用例

curl -X POST "$NINEROUTER_URL/v1/audio/transcriptions" \
  -H "Authorization: Bearer $NINEROUTER_KEY" \
  -F "model=openai/whisper-1" \
  -F "[email protected]" \
  -F "language=vi"

JS（Node）：

import { createReadStream } from "node:fs";
const form = new FormData();
form.append("model", "groq/whisper-large-v3-turbo");
form.append("file", new Blob([await (await import("node:fs/promises")).readFile("audio.mp3")]), "audio.mp3");
const r = await fetch(`${process.env.NINEROUTER_URL}/v1/audio/transcriptions`, {
  method: "POST",
  headers: { "Authorization": `Bearer ${process.env.NINEROUTER_KEY}` },
  body: form,
});
const { text } = await r.json();
console.log(text);

レスポンスの形式

デフォルト（response_format=json）：

{ "text": "Xin chào, đây là bản ghi âm." }

verbose_json では、language、duration、タイムスタンプ付きの segments[] が追加されます。 srt／vtt は字幕テキストを返します。

プロバイダーごとの注意点

プロバイダー	model の形式	備考
openai	whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe	OpenAI ネイティブ形式
groq	whisper-large-v3、whisper-large-v3-turbo、distil-whisper-large-v3-en	最速。OpenAI 形式
gemini	gemini-2.5-flash、gemini-2.5-pro、gemini-2.5-flash-lite	サーバーが音声をインラインで含めた generateContent に変換します
deepgram	nova-3、nova-2、whisper-large	トークン認証。サーバーがレスポンスを適合させます
assemblyai	universal-3-pro、universal-2	非同期のアップロードとポーリングはサーバー側で処理されます
nvidia	nvidia/parakeet-ctc-1.1b-asr	NIM エンドポイント
huggingface	openai/whisper-large-v3、openai/whisper-small	HF Inference API
elevenlabs	scribe_v1、scribe_v2	Whisper 互換形式。Bearer ではなく xi-api-key 認証を使用します。追加パラメーター：timestamps_granularity（word／character／none）、tag_audio_events、および いずれか一方（diarize=true または num_speakers（1～32））を使った話者ラベリング。両方を送信するとリクエストが無効になるため、diarize が優先され、num_speakers は破棄されます。空の language は、自動検出のため上流には送信されません。srt／vtt と verbose_json のセグメントは Scribe 独自の additional_formats レンダリングから提供されます。そのため、上流のレンダリングが利用できない場合、segments[] は生成されず省略されます。temperature と prompt は受け付けません。これらは転送されません。