ボイス
音声認識（STT）
音声認識（Speech-to-Text）は、話し言葉の音声を文字に書き起こす技術です。チャットモデルや音声合成と組み合わせると、音声で会話するループが作れます。
実用上のポイントは、言語の自動判定、ファイルサイズの上限、そしてリクエスト単位か分単位かの料金体系です。
eroqでは
Scribe Oneは、音声1分ごとに1クレジット（端数の分は切り上げ）、ファイルは最大8MB、言語は自動判定です。
よくある質問
文字起こしの料金は？
Scribe Oneでは、音声1分ごとに1クレジット（端数は切り上げ）です。ボイスメモなら1クレジット、1時間の音声なら60クレジットになります。
Scribe Oneはどんな音声に対応していますか？
最大8MB（圧縮音声でおよそ8分）のwavまたはmp3ファイル1つに対応し、言語は自動判定するか、言語コードで指定できます。それより長い録音は分割が必要です。課金はファイルごとに1分単位（端数切り上げ）で1クレジットなので、分割して増えるのは切り上げ分だけです。
文字起こしでタイムスタンプや話者ラベルは返されますか？
いいえ。レスポンスは音声のテキストだけです。話者分離、単語単位のタイミング、字幕ファイルはありません。字幕は、このテキストをもとに後工程で作成します。