speech-to-text

belt CLI スキルをインストール： npx skills add belt-sh/cli

音声テキスト変換

inference.sh CLI で音声をテキストに文字起こしします。

クイックスタート

inference.sh CLI（belt）が必要です。インストール手順

belt login

belt app run infsh/fast-whisper-large-v3 --input '{"audio": "https://audio.mp3"}'

利用可能なモデル

モデル	アプリ ID	最適な用途
ElevenLabs Scribe v2	elevenlabs/stt	98％以上の精度、話者識別、90 以上の言語
Fast Whisper V3	infsh/fast-whisper-large-v3	高速な文字起こし
Whisper V3 Large	infsh/whisper-v3-large	最高精度

使用例

基本的な文字起こし

belt app run infsh/fast-whisper-large-v3 --input '{"audio": "https://meeting.mp3"}'

タイムスタンプ付き

belt app sample infsh/fast-whisper-large-v3 --save input.json

# {
#   "audio": "https://podcast.mp3",
#   "return_timestamps": "sentence"
# }

belt app run infsh/fast-whisper-large-v3 --input input.json

翻訳（英語）

belt app run infsh/whisper-v3-large --input '{
  "audio": "https://french-audio.mp3",
  "task": "translate"
}'

動画から

# Extract audio from video first
belt app run infsh/video-audio-extractor --input '{"video_file": "https://video.mp4"}' > audio.json

# Transcribe the extracted audio
belt app run infsh/fast-whisper-large-v3 --input '{"audio": "<audio-url>"}'

ワークフロー：動画字幕

# 1. Transcribe video audio
belt app run infsh/fast-whisper-large-v3 --input '{
  "audio": "https://video.mp4",
  "return_timestamps": "sentence"
}' > transcript.json

# 2. Pass the transcript segments as captions
belt app run infsh/caption-videos --input '{
  "video_file": "https://video.mp4",
  "segments": [{"start": 0.0, "end": 2.5, "text": "<segments-from-step-1>"}]
}'

対応言語

Whisper は、英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、中国語、日本語、韓国語、アラビア語、ヒンディー語、ロシア語など、99 以上の言語に対応しています。

使用例

• 会議：録音を文字起こしします
• ポッドキャスト：文字起こしを作成します
• 字幕：動画の字幕を作成します
• 音声メモ：検索可能なテキストに変換します
• インタビュー：調査用に文字起こしします
• アクセシビリティ：音声コンテンツを利用しやすくします

出力形式

次の内容を含む JSON を返します：

• text：文字起こし全文
• segments：タイムスタンプ付きのセグメント（指定した場合）
• language：検出された言語

関連スキル

# ElevenLabs STT (98%+ accuracy, diarization)
npx skills add inference-sh/skills@elevenlabs-stt

# ElevenLabs TTS (reverse direction)
npx skills add inference-sh/skills@elevenlabs-tts

# Full platform skill (all apps)
npx skills add inference-sh/skills@infsh-cli

# Text-to-speech (reverse direction)
npx skills add inference-sh/skills@text-to-speech

# Video generation (add captions)
npx skills add inference-sh/skills@ai-video-generation

# AI avatars (lipsync with transcripts)
npx skills add inference-sh/skills@ai-avatar-video

すべての音声アプリを表示：belt app list --category audio

ドキュメント

• アプリの実行 - CLI でアプリを実行する方法
• 音声文字起こしの例 - 文字起こしの完全ガイド
• アプリの概要 - アプリのエコシステムについて