対応リンクと文字起こしの設定

動画のリンクを指定するか、音声・動画ファイルをアップロードして文字起こしできます。YouTube、X、TikTok、Instagram、Facebook、Blueskyのほか、下の表にあるプラットフォームの公開動画にも対応しています。対象は録画済みの動画です。

取得方法はsource、話者分離はdiarize、言語はlanguageで設定します。いずれもPOST /v1/transcriptionsのリクエストボディに指定する任意のフィールドです。

使える動画リンク

動画のリンクをurlに指定してください。プラットフォームはAPIが自動で判定するため、platformは省略できます。指定する場合は、リンクと同じプラットフォームにしてください。

Twitch、Dailymotion、Pinterest、LinkedIn、Snapchat Spotlightの5つではHTTPSが必須です。URLに認証情報や独自のポート番号は指定できません。使えるのは公開されている録画の個別リンクだけです。非公開・ログイン必須の投稿、ライブ配信、処理中の配信、プロフィール、フィード、コレクションは対象外です。

取得時にアカウントのCookieは渡しません。URLで開始時刻などを指定しても、動画をその位置で切り取ることはありません。TwitchのクリップとSnapchat Spotlightでは、media_idの文字列から内部のIDや構造を読み取れるとは限りません。URLからIDを組み立てず、返された文字列をそのまま保持してください。

X、TikTok、Instagram、Facebook、Blueskyは公開投稿に対応します。複数の動画を含む投稿では、最初の動画だけを使います。プロフィール、ストーリー、ライブ配信ページ、TikTokの写真投稿は使えません。ログインが必要ならlogin_required、音声トラックがなければno_audioで失敗します。どちらの場合も課金しません。

字幕を使えるのは、YouTube、X、TikTok、Bluesky、Dailymotion、LinkedInです。動画の元の言語のトラックが必要で、使える字幕があるかは動画によって異なります。Instagram、Facebook、Twitch、Pinterest、Snapchatでは、autoまたはsttを指定してAI文字起こしを使います。captions（字幕のみ）は指定できません。プラットフォームやファイルによる単価の違いはなく、実際の長さを測って分数に応じて課金します。

短縮リンクは、表にある形式だけ使えます。送信時に投稿IDがわからないSNSの共有リンクは、過去の文字起こしとの照合対象になりません。以前の文字起こしを再利用する場合は、投稿のフルURLを指定してください。

YouTubeで使えるURL形式

YouTubeの動画は、次のURL形式で指定できます。www.の有無は問いません。urlにURLを入れ、platformは省略するかyoutubeにしてください。

t、list、siなどの追加クエリは無視します。URLの形式が違っても、同じ動画なら同じものとして扱います。指定するのは必ず完全なURLにしてください。11文字の動画IDだけでは受け付けません。

チャンネルのページ、プレイリストだけを指すURL、非対応のリンクには422 invalid_urlを返します。platformに未知の値を指定した場合は、422 unsupported_platformと、対応する値の一覧supported_platformsを返します。

取得できるのは公開・限定公開の動画です。非公開動画はmedia_private、年齢制限付き動画はage_restricted、ライブ配信はlive_streamで失敗します。手元に自分のファイルがある場合は、アップロードを使ってください。

字幕とAI文字起こしを切り替える

字幕からテキストを取得するか、音声を文字起こしするかはsourceで選びます。

アップロードしたファイルでは、常に音声認識を使います。sourceに指定できるのはautoとsttです。captions（字幕のみ）を指定すると422 invalid_requestを返します。

字幕トラックは指定した言語と一致する必要があります。languageがautoなら、動画の元の言語を選びます。YouTubeでは、その言語で投稿者がアップロードした字幕や、YouTubeが生成した字幕を使います。自動翻訳のトラックは使いません。

YouTubeの字幕は、投稿者がアップロードしたもの、作成元が不明なもの、自動生成字幕の順で優先します。作成元が不明なトラックを、投稿者が作成した字幕として扱わないでください。Xでは利用できるVTTトラックを使います。自動生成字幕でも、タイムスタンプはセグメント単位だけで、単語ごとのタイムスタンプはありません。

autoでは、字幕の内容を取得・解析できない場合にSTTへ切り替えることがあります。ただし、ルーティング、ストレージ、プログラム側の障害では切り替えません。sttなら、字幕の有無にかかわらず音声を使います。

話者分離を使う

誰が話しているかを区別するには、diarizeを有効にします。デフォルトはfalseです。

• 話者分離には音声認識が必要です。sourceがautoでも、diarize: trueを指定すると字幕を使わず、直接AI文字起こしを始めます。
• source: "captions"とdiarize: trueは併用できません。指定すると422 invalid_requestを返します。
• 話者にはSpeaker 1、Speaker 2のようなラベルが付きます。JSONではtranscript.speakersと各セグメントのspeakerを確認します。text・srt形式では発言の前にSpeaker 1: が付き、vtt形式では<v Speaker 1>というvoiceタグを使います。

{ "platform": "youtube", "url": "https://youtu.be/dQw4w9WgXcQ", "source": "stt", "diarize": true }

言語を指定する

言語の指定を省略すると、languageはautoになります。明示する場合は、autoか、en、de、esなどの2文字のISO 639-1コードを指定してください。

• 字幕を使う場合：取得するトラックの言語を選びます。autoでは動画の元の言語を使います。
• 音声認識を使う場合：音声認識プロバイダーへ言語のヒントとして渡します。autoでは自動で言語を判定し、各セグメントのlanguageにその部分の言語を返します。

文字起こし全体で主に使われている言語は、文字起こしオブジェクトのlanguageで確認できます。

テキストの取得元とデータの違い

テキストをどの方法で取得したかはtranscript_sourceに入ります。値はyoutube_captions、x_captions、tiktok_captions、bluesky_captions、dailymotion_captions、linkedin_captions、speech_to_textのいずれかです。

字幕の種類はcaption_kindで確認します。manual、auto_generated、作成元が不明ならnullです。nullを投稿者がアップロードした字幕と見なさないでください。

YouTubeの字幕は、[Music]などのタグも削らず、公開されたとおりのテキストを保持します。音声認識で処理できる長さは5時間までです。それを超えるとmedia_too_longで失敗します。

Xの字幕（x_captions）と、TikTok、Bluesky、Dailymotion、LinkedInの字幕で取得できるタイムスタンプはセグメント単位だけです。自動生成字幕も同じで、include=wordsを付けても、各セグメントの値はwords: nullです。話者分離も使えません。

AIによる単語ごとのタイムスタンプが必要ならsource: "stt"を指定します。話者分離が必要なら、autoまたはsttとdiarize: trueを使ってください。

字幕とAI文字起こしの料金

どちらを選んでも、メディアの長さ1分につき1クレジットです。分未満の端数は切り上げます。字幕から取得するか、AIで音声を文字起こしするかで料金は変わりません。詳しくは料金と制限を確認してください。