APIで文字起こしを自動化：実践例
But instruction: "output ONLY the description text. No quotes, no prefix, no explanation
APIを使うと、電話、会議レコーダー、社内システムなどあらゆる録音ソースを、手動作業なしで検索可能なテキストに変換できます。この記事では推奨フローとすぐ使えるレシピを紹介します。事前に 文字起こし API の前提条件（Profissional+ プランと vpt_live_ キー）をご確認ください。
推奨フロー
- 送信 —
webhook_urlを指定して URL で音声を送信します。 - 受信 — 完了時（成功または失敗）にコールバックを受け取ります。
- ダウンロード — 結果のリンクからエクスポートされたファイルをダウンロードします。リンクの有効期限は 7日間 です。
ポーリングは不要です。キーあたり1分間に60リクエストの制限があるため、ループでステータスを確認するとクォータを無駄にします。Webhookは結果を自動で届け、サーバーがダウンしている場合は最大6回再配信します。
レシピ 1 — 新しい録音をすべて文字起こしする
curl -X POST https://api.voxscriber.com/v1/transcriptions \
-H "Authorization: Bearer $VPT_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"audio_url": "https://storage.suaempresa.com/calls/2026-08-02-0931.mp3",
"webhook_url": "https://api.suaempresa.com/hooks/vpt",
"formats": ["txt", "docx"],
"metadata": { "call_id": "0931", "agente": "maria" },
"idempotency_key": "call-2026-08-02-0931"
}'
metadataは Webhook で返されます。システム内のレコードと結果を関連付けるために使用します。idempotency_keyは、誤った再送信（クライアント側のリトライやジョブ途中のデプロイなど）によって同じ音声が二重に処理・課金されるのを防ぎます。
レシピ 2 — コストでエンジンを選ぶ
engine フィールドには ASSEMBLYAI（Premium、デフォルト）、WHISPER（Standard）、ELEVENLABS（Ultra）を指定できます。仕上がりよりもコストが重要な大量処理には Whisper を選びます。Premium の 4 サイクル/分に対して 1 サイクル/分 です。
-d '{ "audio_url": "...", "webhook_url": "...", "engine": "WHISPER" }'
目安: 重要な会議やインタビューには Premium、大量の音声やノイズのある音声には Standard（Whisper）、話者分離が完璧に必要な場合は Ultra を選びます（Profissional+ で利用可能）。
レシピ 3 — 自動字幕
formats: ["srt", "vtt"] を指定すると、YouTube や Web プレーヤー用の字幕を Webhook で受け取れます。各形式の詳細は 他のツールへのエクスポート を参照してください。
自動化に影響する制限
| 項目 | ルール |
|---|---|
| レート制限 | キーあたり 60 リクエスト/分 |
audio_url | https のみ、公開 URL、最大 500 MB（ダウンロード）/ Premium エンジンの passthrough で最大 5 GB |
| フォーマット | プランの制限に従います。許可されていないものは exports_skipped に返されます。 |
| ダウンロードリンク | 7 日間で期限切れ（文字起こしはアーカイブに残る） |
| サイクル | サイトと同じコスト、同じ残高から引き落とし |
サイクル残高を監視してください。現在、キーごとの支出上限はありません。制御不能なループのある自動化は実際の残高を消費します。idempotency_key が最初の防御線です。
FAQ
最終的なテキストはどう受け取りますか？Webhook ですか、それともダウンロードが必要ですか？
Webhook には処理結果と、リクエストしたフォーマットでエクスポートされたファイルへのリンクが含まれます。ファイルは7日以内にダウンロードしてください。その後も、内容はサイトのアーカイブで引き続き確認できます。
音声の言語を指定できますか？
はい、language フィールドで指定できます。指定しない場合はアカウントのデフォルトが使われます。自動言語検出もエンジンでサポートされています。
2つのシステムが同じ音声を送信した場合は？
両方で同じ idempotency_key を使用してください。最初のリクエストだけが処理され、課金されます。
組織メンバーでも自動化は使えますか？
はい。従量消費は会社のプランのルールに従います。大規模な通話監査には、専用の API を参照してください。
関連記事
解決しない場合は チケットを開く — 当チームが迅速に対応します。