概要

このページでは、Voice File Job の作成、音声のアップロード、結果の取得までのエンドツーエンドの流れを説明します。現在の実装では、クライアントからアップロード完了を通知する方式（S3 イベントは使用しません）を採用しています。

​

必要なもの

• API key: Authorization: Bearer {id}.{secret}
• transcriptLocaleHints: 最大 1 つ（任意）
  • 指定しない場合、言語は自動的に検出されます
• translationLocales: 最大 5 つ（任意）

​

エンドツーエンドのチェックリスト

1. ジョブを作成 → { id, uploadUri } を受け取る
2. 音声を uploadUri にアップロード
3. PUT /v1/external/voice-file/jobs/{jobId}/upload-complete を呼び出す
4. ジョブのステータスを完了までポーリング
5. transcript と（任意で）translations を取得
6. コンテンツをより深く理解するために paragraph summary を取得

​

ポーリング戦略（推奨）

• GET /v1/external/voice-file/jobs/{jobId} を指数バックオフでポーリングします
  • 1〜2 秒間隔から始め、4 秒、8 秒と増やし、最大 30 秒まで
  • 停止条件:
    • 成功: status = COMPLETED
    • 失敗: status = FAILED
  • 成功後:
    • 必ず transcript を取得: GET /v1/external/voice-file/jobs/{jobId}/transcript
    • translations をリクエストした場合: GET /v1/external/voice-file/jobs/{jobId}/translations またはロケール別のエンドポイント
    • paragraph summary を取得:
      • transcript の場合: GET /v1/external/voice-file/jobs/{jobId}/transcript/paragraph-summary
      • translations の場合: GET /v1/external/voice-file/jobs/{jobId}/translations/{locale}/paragraph-summary

​

ファイルの制限と要件

​

サポートされる音声フォーマット

業界標準の STT 機能に基づき、Tiro は以下のフォーマットをサポートしています。 音声フォーマット: 動画フォーマット（音声抽出）:

​

ファイルサイズと長さの制限

​

処理時間の目安

処理時間は、長いファイルに対する並列処理によって最適化されています。

​

Paragraph Summary 機能

Paragraph Summary 機能は、音声コンテンツのインテリジェントな要約を提供し、transcript や translation を段落単位の理解しやすい要約に分割します。

​

仕組み

1. Transcript の処理: 文字起こしが完了すると、CompositeTextSplitter を使ってテキストが自動的に論理的な段落に分割されます
2. 要約の生成: 各段落は ParagraphSummarizer を通して処理され、簡潔な要約が作成されます
3. Translation との統合: translations がリクエストされた場合、各ロケールについて、翻訳されたコンテンツに基づいて要約が再生成されます
4. 非同期処理: 要約の生成は、transcript / translation の完了後に非同期で行われます

​

シーケンス

試してみる準備はできましたか？ ステップバイステップ・チュートリアル で、アップロードからポーリング、そして最初の transcript の取得まで、一連の流れを最後まで体験できます。