公開バージョンとエンドポイント
検証
Task が終端状態になるまでポーリングします
<model-id> を選択すると検証コマンドが生成されます。設定
ガイドエンドポイント: <endpoint>
<model-id> を選択すると、公開入力契約に基づくリクエストが生成されます。3ステップで始める
-
モデル ID を選択
公開モデル ID を選び、エンドポイントと現在の開始価格を確認します。
-
RunAPI を設定
エンドポイントを呼び出す前に RUNAPI_API_KEY を設定します。
-
結果を検証
非同期エンドポイントでは、Task が終端状態になるまで同じエンドポイントをポーリングします。
Hermes Agent + OpenAI Transcription で作れるもの
-
ナレーションと音声読み上げ
音声を生成できるモデルで、台本を動画、講座、製品デモ用の音声に変換します。
-
音楽とサウンドトラック
音楽を生成できるモデルで、ジャンル、雰囲気、テンポの説明から BGM やジングルを作成します。
-
文字起こしと音声処理
音声入力に対応したモデルで、録音を文字起こししたり、既存の音声を整えたり変換したりします。
OpenAI Transcription を RunAPI + Hermes Agent で使う理由
-
2 個のバリアントを 1 つの API キーで
RunAPI の 1 つの接続から利用可能なモデルバリアントを選べるため、連携方法を変える必要がありません。
-
わかりやすい利用料金
リクエストを送る前にカタログの現在の料金を確認できます。サブスクリプションや最低利用額はありません。
-
直接のレスポンス
同期呼び出しは同じレスポンスで結果を返すため、エージェントはタスクをポーリングせずにすぐ結果を使えます。
Hermes Agent + OpenAI Transcription に関するよくある質問
Whisper-1とGPT Transcribeの違いは何ですか？
Whisper-1はJSON、プレーンテキスト、字幕、詳細JSON、タイムスタンプ付き出力に対応します。GPT TranscribeはJSONまたはプレーンテキスト出力に特化し、キーワードと複数言語のヒントを指定できます。
どの音声ファイルを文字起こしできますか？
FLAC、MP3、MP4、MPEG、MPGA、M4A、OGG、WAV、WebM形式で、最大25 MBのファイルをアップロードできます。
APIで字幕や単語単位のタイムスタンプを作成できますか？
Whisper-1ではSRTまたはVTT字幕を返せるほか、詳細JSONで単語単位またはセグメント単位のタイムスタンプを取得できます。GPT Transcribeでは、これらの出力モードは利用できません。
GPT Transcribeは多言語の録音に対応していますか？
はい。1つの言語ヒントまたは候補となる複数言語のリストに加えて、固有名詞や専門用語のキーワードヒントを指定できます。
音声文字起こしは同期処理ですか？
はい。リクエストが成功すると、別のタスクポーリング用エンドポイントを使わずに、完成した文字起こしが直接返されます。
どのモデル ID を使うべきですか？
バージョン表から公開モデル ID を選択してください。各 ID で利用できるエンドポイントが同じ行に表示されます。
このガイドはチャットモデルを設定しますか？
いいえ。この Model Line はここに示すエンドポイント手順を使用し、Agent のチャットモデルとしては扱いません。