音声形式と​言語

Shisa ASRは、​一般的な​複数の​形式で​base64エンコードされた​音声を​受け付け、​話されている​言語を​自動識別できます。​この​ページでは、​サポート形式、​base64への​エンコード方​法、​言語選択に​ついて​説明します。

サポートされている​音声形式

生の​ base64 エンコードされた​音声データを​ audio フィールドに​渡します。​サーバーは​バイナリヘッダーから​形式を​自動検出する​ため、​形式を​自分で​宣言する​必要は​ありません。

Format	MIME type	Detection
WAV	audio/wav	RIFF header
OGG	audio/ogg	OggS header
MP3	audio/mpeg	ID3 tag or MPEG sync bytes
FLAC	audio/flac	fLaC header

音声を​ base64 に​エンコードする

サポートされている​ファイルを​ base64 に​変換し、​リクエストに​直接埋め込みます:

# Encode any supported format to base64
base64 -w0 audio.ogg    # Linux
base64 -i audio.ogg     # macOS

# Use in a curl request
curl -s -XPOST 'https://api.shisa.ai/asr/srt/audio_llm' \
  -H 'Authorization: Bearer YOUR_API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{ "audio": "'$(base64 -w0 audio.ogg)'" }'

言語​検出​（LID）

languageパラメータを​省略すると、​稼働中の​ASRバックエンドが​言語を​検出し、​その​コードを​レスポンスで​返します。​検出を​省略して​言語を​固定するには、languageを​明示的に​設定します​（例: "ja"または"en"）。

利用​可能な​言語は​選択された​バックエンドに​よって​決まり、​ルーターは​固定の​網羅的な​言語カタログを​公開または​検証していません。​テスト済みの​デプロイ以外の​言語を​本番で​利用する​場合は、​事前に​動作を​確認してください。​一般的な​コードは​次の​とおりです。

Code	Language
ja	Japanese
en	English
zh	Chinese

次の​ステップ

• クイックスタートで​最初の​文字起こしを​行います。
• すべての​リクエストパラメータと​エラーコードは​ API リファレンスを​参照してください。
• ASR 概​要に​戻ります。