mcpField
P
plaud-embedded-transcription-api-skill

plaud-embedded-transcription-api-skill

github.com/plaud-ai生産性1375 回インストール3 週間前に更新
リポジトリ

plaud-embedded-transcription-api-skill について

Plaudの文字起こしパイプラインを使う開発者向けのAPIガイドスキルです。音声URLの送信、非同期ジョブのポーリング、言語検出や話者識別などの設定方法を説明します。

主な機能

  1. 01音声文字起こしの送信手順
  2. 02非同期ステータスのポーリング方法
  3. 03マルチパートアップロード手順
  4. 04言語と検出レベルの設定
  5. 05話者ラベルと埋め込みの有効化
  6. 06文字起こし結果の項目説明

活用シーン

  1. 01公開ダウンロードURLの音声を文字起こし
  2. 02音声をアップロードしてから文字起こし
  3. 03ジョブをポーリングして整列テキストを取得
  4. 04言語や話者識別の設定

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/plaud-ai/plaud-embedded-skills --skill plaud-embedded-transcription-api-skill

インストール後、Claude Code で/plaud-embedded-transcription-api-skillを入力して読み込まれたか確認します。

詳細

Plaud Embedded Transcription API スキル

このスキルでは、文字起こしのために Plaud に音声ファイルをアップロードする方法について、コンテキストと手順を説明します。

このスキルを使用するタイミング

Plaud の Transcription Pipeline（言語検出、ノイズ除去、ASR、音声からテキストへの変換などを行うパイプライン）を使用して音声ファイルを文字起こししたいというユーザーの要望がある場合に、このスキルを使用してください。

前提条件
  • ユーザーが次のいずれかの場所に音声ファイルを持っていること：
    1. Plaud デバイスから同期されたモバイルアプリ
    2. パブリック URL（S3 のダウンロード URL など）からダウンロード可能な音声ファイル

Plaud の Transcription API の仕組み

Transcription API は、主に 2 つのエンドポイントを備えた AI API です。

  1. 音声ファイルをダウンロードするための file_url を指定して、非同期の文字起こしジョブを開始します
  2. ポーリングで文字起こしタスクのステータスを取得します。タスクが完了すると、会話の文字起こし結果を利用できます

文字起こしの開始方法

Transcription API では、音声ファイルをダウンロードするためにパブリックなダウンロード URL が必要です。

開発者がファイルをアップロードしてパブリックなダウンロード URL を生成する手段をまだ持っていない場合は、File Upload API を使用してください。

それ以外の場合は、File Upload API を使用せず、Transcription API を直接使用してください。

File Upload API [ダウンロード URL を使って音声ファイルにアクセスできないユーザーのみ対象]

File Upload API は、Plaud のクラウドストレージを使用して音声ファイルをアップロードするための API です。 モバイルアプリまたはバックエンドから実行できます。

利用可能な File Upload API のエンドポイントとデータフローについては、File Upload の概要をお読みください。

3 ステップのマルチパートアップロードです。

  1. filesize と filetype を指定して POST /generate-presigned-urls を実行すると、FileId、UploadId、ChunkSize、および署名付き S3 URL を含む Parts 配列が返されます
  2. 各 PresignedUrl に最大 ChunkSize の生バイトデータを PUT します（認証は不要です。署名付き URL のためです）。すべての PUT で返される ETag レスポンスヘッダーを保存してください。次のステップで必要になります
  3. file_id、upload_id、PartNumber と ETag のペアを含む part_list、filetype、および file_md5 を指定して POST /complete-upload を実行すると、DownloadUrl が返されます

重要：返される DownloadUrl の有効期間は 24 時間です。Transcription API の file_url として渡してください。

API リファレンス（アップロードのステップは S3 に直接アップロードするため含まれていません）
文字起こし API

音声ファイルを公開ダウンロード API（ファイルアップロード API 経由、またはユーザー固有のクラウドストレージ経由）にアップロードした後、ユーザーはファイル URL を使って文字起こし API を利用できます。

文字起こし API の概要では、Plaud の文字起こしフローの仕組みについて説明しています。

重要：文字起こし API では、X-Client-Id および X-Client-Api-Key ヘッダーを使って認証します（api_key は client_secret ではありません。開発者ポータルの「App Settings > API Keys」から取得してください）。

file_url でサポートされている音声形式は M4A、MP3、WAV です。5 時間を超える録音は分割し、複数のパートに分けて文字起こししてください。

POST では、パイプラインを調整するための任意の params オブジェクトを指定できます。

パラメーターデフォルト目的
transcribe.languageautoBCP-47 コード（en-US、zh-CN）または auto
transcribe.detection_levelsegment言語識別のレベル（segment または chapter）
vad.decode_silencefalse無音区間をデコードするかどうか
diarization.enabledfalse話者を識別し、ラベル付けするかどうか
diarization.return_embeddingfalse話者の埋め込みベクトルを返すかどうか

ポーリング：タスクの処理中、GET エンドポイントは PENDING、RECEIVED、STARTED、PROGRESS のいずれかの status を返します。ポーリングを続けてください。SUCCESS は data に値が設定されたことを意味します。FAILURE と REVOKED は終端状態の失敗です。ポーリングを続けるのではなく、適切に処理してください。

SUCCESS の場合、data には text、language、duration（秒）、および時間情報が対応付けられたセグメントの配列（start、end、text、話者分離が有効な場合は speaker_id、language、言語の信頼度を示す確率）が含まれます。

API リファレンス

参考コード

完了の定義 - 文字起こし API の実装完了

ユーザーが次の操作を行えること：

  • （ユーザーが公開ダウンロード URL をまだ持っていない場合）ファイルアップロード API を介して、モバイルアプリから Plaud の管理ストレージに音声ファイルをアップロードする
  • 文字起こし API にリクエストを送信し、文字起こし結果を取得する

コメント

Markdown 対応