speech-to-text

音声テキスト変換

あらゆる音声ファイルをテキストに文字起こしします。多言語の自動検出、タイムスタンプ、話者ラベルに対応しています。

トリガー

• 文字起こし／文字起こしデータ／文字起こし
• 音声テキスト変換／STT／音声からテキストへ
• この音声は何と言っていますか／音声を変換
• 转录 / 语音转文字 / 识别音频

クイックスタート

# Transcribe with auto language detection
python3 skills/speech-to-text/scripts/stt.py audio.mp3

# Specify language explicitly
python3 skills/speech-to-text/scripts/stt.py interview.wav --language en

# Save transcript to file
python3 skills/speech-to-text/scripts/stt.py podcast.m4a -o transcript.txt

# Output full JSON (with timestamps and speaker labels)
python3 skills/speech-to-text/scripts/stt.py meeting.wav --json -o result.json

引数

引数	デフォルト	説明
file	必須	文字起こしする音声ファイル（mp3、wav、m4a、ogg、flac、aac、webm）。最大 50 MB、最長 10 分。
--language / -l	自動検出	BCP-47 言語コード（例：en、zh、ja）。自動検出する場合は省略します。
--output / -o	標準出力	文字起こしテキストを保存するパス（--json が設定されている場合は JSON）。
--json	オフ	タイムスタンプと話者ラベルを含む完全な JSON レスポンスを出力します。
--api-key	環境変数／設定から取得	Noiz API キー（保存済みのキーを上書きします）。

出力形式

--json を指定しない場合は、文字起こしテキストのみが出力されます。

Hello, welcome to today's podcast. We have a special guest joining us...

--json を指定すると、構造化された完全なレスポンスが出力されます。

{
  "language": "en",
  "transcript": "Hello, welcome to today's podcast...",
  "duration": 42.5,
  "segments": [
    {"text": "Hello, welcome to today's podcast.", "start": 0.0, "end": 3.2, "spk": 0},
    {"text": "We have a special guest joining us.", "start": 3.5, "end": 6.1, "spk": 0}
  ]
}

対応言語

主なコード：en（英語）、zh（中国語）、ja（日本語）、ko（韓国語）、es（スペイン語）、fr（フランス語）、de（ドイツ語）、pt（ポルトガル語）、ru（ロシア語）、ar（アラビア語）。自動検出する場合は --language を省略します。

設定

# Save your API key once
python3 skills/speech-to-text/scripts/stt.py config --set-api-key YOUR_KEY

# Or set via environment variable
export NOIZ_API_KEY=YOUR_KEY

API キーは developers.noiz.ai で取得できます。

料金

音声 1 秒あたり $0.0006 が請求されます。10 分のファイルの場合、料金は約 $0.36 です。新規アカウントには TTS 文字数 10,000 文字分が無料で含まれます。STT は別途課金されます。

セキュリティとデータの開示

• 認証情報の保存：API キーは ~/.config/noiz/api_key に保存されます（権限は 0600）。NOIZ_API_KEY 環境変数にも対応しています。
• ネットワーク通信：音声ファイルは文字起こしのために https://noiz.ai/v1/speech-to-text にアップロードされます。コマンドを実行するまでデータは送信されません。
• ファイル制限：ファイルあたり最大 50 MB、音声の長さは最長 10 分（600 秒）です。

必要条件

• requests パッケージ：pip install requests
• API キーは developers.noiz.ai で取得してください。