Passer au contenu principal

Vue d’ensemble

POST /v1/transcribe reçoit un enregistrement et renvoie ce qui a été dit, sous forme de texte. Au Sahel, on envoie bien plus de notes vocales qu’on ne tape de messages : la transcription permet à votre application de les lire, de les rechercher, de les classer ou d’y répondre.
  • Modèle : speech-recognition (bêta)
  • Langues : haoussa ha (par défaut), zarma dje, français fr
  • Entrée : WAV, MP3, M4A/AAC, OGG/Opus, WebM ou FLAC ; jusqu’à 25 Mo et 5 minutes
  • Ce qui est compté : la durée de l’audio que vous envoyez

Démarrage rapide

Envoyez le fichier dans un champ multipart nommé file, avec la langue à côté :
Réponse

Envoyer l’audio comme corps de la requête

Si votre enregistrement est déjà en mémoire, vous pouvez envoyer ses octets comme corps entier de la requête et mettre language dans l’adresse. C’est pratique depuis un téléphone, où construire un formulaire multipart demande un travail de plus :

Requête

file
requis
L’enregistrement. L’API reconnaît le conteneur à partir du fichier lui-même : le nom du fichier et le type de contenu n’ont pas d’importance.
string
défaut:"ha"
La langue parlée : ha, dje ou fr. Le modèle ne la détecte pas : envoyez la langue que vous attendez.

Audio pris en charge

Un fichier que l’API ne sait pas lire renvoie 415 unsupported_audio. Plus de détails dans le guide formats audio.

Lire le résultat

  • text est en minuscules, sans ponctuation. Ajoutez vous-même les majuscules et les points si vous l’affichez.
  • audio_seconds est la durée de ce que vous avez envoyé, c’est-à-dire ce qui a été compté.
  • Un enregistrement vide renvoie 400 empty_audio.

Bonnes pratiques

La plupart des erreurs viennent de la distance et du bruit, pas de la langue. Un téléphone tenu près de la bouche, à l’abri du vent, donne un bien meilleur texte qu’un téléphone posé sur une table à l’autre bout de la pièce.
Si un utilisateur a choisi le zarma dans votre application, envoyez dje. Pour une parole qui mêle haoussa et français, envoyez la langue majoritaire.
Envoyez la note vocale telle quelle. Convertir un OGG en WAV rend l’envoi environ dix fois plus lourd et n’améliore pas le texte.
Jusqu’à 5 minutes par requête. Pour une réunion ou une émission plus longue, coupez-la aux silences en morceaux de moins de 5 minutes et envoyez-les dans l’ordre. Voir la partie sur les longs enregistrements dans le guide formats audio.
Les transcriptions peuvent être fausses, surtout pour les noms, les nombres et l’audio bruité. Quand le texte sert à prendre une décision (une dose, un montant, une adresse), montrez-le à la personne ou faites-le vérifier par quelqu’un.

Limites

  • 25 Mo et 300 secondes par fichier (413 payload_too_large, 413 audio_too_long).
  • Une langue par requête ; pas de détection automatique de la langue.
  • Pas encore d’horodatage ni d’identification des locuteurs.

Voir aussi

Transcrire une note vocale

Tutoriel

Traduction

La parole directement en français ou en haoussa

Référence de l’API

POST /v1/transcribe