Object Storageファイルの認識

Classic/VPC環境で利用できます。

NAVERクラウドプラットフォームの Object Storageにアップロードしたオーディオ/ビデオファイルの固有の URLを呼び出して認識し、テキストに変換します。

リクエスト

リクエスト形式を説明します。リクエスト形式は次の通りです。

リクエストヘッダ

CLOVA Speech APIで共通して使用されるヘッダの詳細は、CLOVA Speechの共通ヘッダをご参照ください。

リクエストボディ

リクエストボディの説明は次の通りです。

boostings

boostingsの説明は次の通りです。

リクエスト例

リクエストのサンプルコードは次の通りです。

curl --location --request POST 'https://clovaspeech-gw.ncloud.com/external/v1/88**/5f7e1b4c866f1c60594****************/recognizer/object-storage' \
--header 'Content-Type: application/json' \
--header 'X-CLOVASPEECH-API-KEY: {アプリの登録時に発行された Secret Key}' \
--data '{
    "dataKey": "{file}.mp3",
    "language": "ko-KR",
    "completion":"sync",
    "callback": "",
    "fullText": true,
    "boostings": [
        {
            "words": "comma separated words"
        }
    ],
    "forbiddens": "comma separated words"
}'

レスポンス

レスポンス形式を説明します。

レスポンスボディ

レスポンスボディの説明は次の通りです。

params.boostings

params.boostingsの説明は次の通りです。

segments

segmentsの説明は次の通りです。

speakers

speakersの説明は次の通りです。

events

eventsの説明は次の通りです。

eventTypes

eventTypesの説明は次の通りです。

レスポンスステータスコード

CLOVA Speech APIで共通して使用されるレスポンスステータスコードの詳細は、CLOVA Speechの共通レスポンスステータスコードをご参照ください。

レスポンス例

レスポンスのサンプルコードは次の通りです。

asyncでリクエストして jsonで返す

asyncでリクエストして json形式で返すレスポンスのサンプルコードは次の通りです。

{
    "token": "{token}",
    "result": "SUCCEEDED",
    "message": "Succeeded"
}

syncでリクエストして jsonで返す

syncでリクエストして json形式で返すレスポンスのサンプルコードは次の通りです。

{
    "result": "COMPLETED",
    "message": "Succeeded",
    "token": "{token}",
    "version": "ncp_v2_v2.3.0-aa6cd8d-20231205_231211-3cf30bfc_v0.0.0_",
    "params": {
        "service": "ncp",
        "domain": "general",
        "lang": "enko",
        "completion": "sync",
        "callback": "",
        "diarization": {
            "enable": true,
            "speakerCountMin": -1,
            "speakerCountMax": -1
        },
        "sed": {
            "enable": true
        },
        "boostings": [
            {
                "words": "こんにちは。テスト"
            }
        ],
        "forbiddens": "",
        "wordAlignment": true,
        "fullText": true,
        "noiseFiltering": true,
        "resultToObs": false,
        "priority": 0,
        "userdata": {
            "_ncp_DomainCode": "NEST",
            "_ncp_DomainId": 1,
            "_ncp_TaskId": **442,
            "_ncp_TraceId": "*****ce98ec342d8a8c8fe9191cec343",
            "id": 1
        }
    },
    "progress": 100,
    "keywords": {},
    "segments": [
        {
            "start": 5870,
            "end": 8160,
            "text": "ソウルのプールです。",
            "confidence": 0.9626975,
            "diarization": {
                "label": "2"
            },
            "speaker": {
                "label": "2",
                "name": "B",
                "edited": false
            },
            "words": [
                [
                    5871,
                    6730,
                    "ソウル"
                ],
                [
                    6860,
                    7530,
                    "プールです。"
                ]
            ],
            "textEdited": "ソウルのプールです。"
        },
        {
            "start": 8160,
            "end": 12950,
            "text": "入場料はいくらですか? 5千ウォンです。ありがとうございます。",
            "confidence": 0.8835926,
            "diarization": {
                "label": "1"
            },
            "speaker": {
                "label": "1",
                "name": "A",
                "edited": false
            },
            "words": [
                [
                    8161,
                    9220,
                    "入場料は"
                ],
                [
                    9390,
                    10020,
                    "いくらですか?"
                ],
                [
                    10410,
                    10640,
                    "5千"
                ],
                [
                    10710,
                    11140,
                    "ウォンです。"
                ],
                [
                    11910,
                    12500,
                    "ありがとうございます。"
                ]
            ],
            "textEdited": "入場料はいくらですか? 5千ウォンです。ありがとうございます。"
        }
    ],
    "text": "ソウルのプールです。入場料はいくらですか? 5千ウォンです。ありがとうございます。",
    "confidence": 0.9071357,
    "speakers": [
        {
            "label": "1",
            "name": "A",
            "edited": false
        },
        {
            "label": "2",
            "name": "B",
            "edited": false
        }
    ],
    "events": [
        {
            "type": "music",
            "label": "music",
            "labelEdited": "music",
            "start": 1400,
            "end": 5000
        }
    ],
    "eventTypes": [
        "music"
    ]
}

syncでリクエストして srtで返す

syncでリクエストして srt形式で返すレスポンスのサンプルコードは次の通りです。

1
00:00:00,000 --> 00:00:01,425
A: 私、この前

2
00:00:02,533 --> 00:00:11,550
A: トウモロコシを食べたんですよ。すごく甘くて美味しかった。てか、私はそれが町の名前だと思ってたんですよ。

3
00:00:11,550 --> 00:00:19,025
A: Chosaierのチョ(超)に、甘いのダン(糖)だったとはね。知らなかった。私、チョダンってチョダン豆腐みたいなものだと思ってた。

4
00:00:19,025 --> 00:00:26,317
C: サッカリンのことを思い出したけど。ふいとね。作家さんはチョダンを召し上がりましたね。

5
00:00:26,317 --> 00:00:28,240
A: トウモロコシにですか?

6
00:00:28,240 --> 00:00:35,318
B: ちょっと、甘い味のする豆腐がどこにあるっていうの? この Doは理解できないな。サンドってチョダン地域じゃないの?

7
00:00:35,318 --> 00:00:42,800
A: いやいや。チョダントウモロコシってスーパースウィートって意味だった。めっちゃ甘いって意味だったとは誰も知らなかったよ。全然。

syncでリクエストして smiで返す

syncでリクエストして smi形式で返すレスポンスのサンプルコードは次の通りです。

<SAMI>
<Body>
  <SYNC Start=0>
    <P>A: 私、この前
  <SYNC Start=2533>
    <P>A: トウモロコシを食べたんですよ。すごく甘くて美味しかった。てか、私はそれが町の名前だと思ってたんですよ。
  <SYNC Start=11550>
    <P>A: Chosaierのチョ(超)に、甘いのダン(糖)だったとはね。知らなかった。私、チョダンってチョダン豆腐みたいなものだと思ってた。
  <SYNC Start=19025>
    <P>C: サッカリンのことを思い出したけど。ふいとね。作家さんはチョダンを召し上がりましたね。
  <SYNC Start=26317>
    <P>A: トウモロコシにですか?
  <SYNC Start=28240>
    <P>B: ちょっと、甘い味のする豆腐がどこにあるっていうの? この Doは理解できないな。サンドってチョダン地域じゃないの?
  <SYNC Start=35318>
    <P>A: いやいや。チョダントウモロコシってスーパースウィートって意味だった。めっちゃ甘いって意味だったとは誰も知らなかったよ。全然。
</Body>
</SAMI>