Go言語で OpenAI の Whisper API を叩いてみました。
音声ファイルを文字起こしでき、めっちゃ便利です。

事前準備

ライブラリとして go-openai を用います

go get github.com/sashabaranov/go-openai

サンプルコード

ローカルに音声ファイルを置いてください。リクエストの際にファイル名を渡します

package main

import (
	"context"
	"fmt"
	"log"

	"github.com/sashabaranov/go-openai"
)

func main() {
	ctx := context.Background()

	token := "" // OpenAI API のトークンをセット
	client := openai.NewClient(token)

	req := openai.AudioRequest{
		Model:  openai.Whisper1,
		FilePath: "sample.wav", // ファイルを指定
	}
	res, err := client.CreateTranscription(ctx, req)
	if err != nil {
		log.Fatalf("Error: %s", err.Error())
	}
	fmt.Printf("text: %s", res.Text) // text: こんにちは
}

io.Reader を渡す方法

ファイル名を渡す代わりに io.Reader を渡すこともできます。 例えばウェブアプリでローカルにファイルを保存するのが難しい場合、この方法が有用です。

package main

import (
	"context"
	"fmt"
	"log"
	"os"

	"github.com/sashabaranov/go-openai"
)

func main() {
	ctx := context.Background()

	file, err := os.Open("sample.wav")
	defer file.Close()

	token := "" // OpenAI API のトークンをセット
	client := openai.NewClient(token)

	req := openai.AudioRequest{
		Model:  openai.Whisper1,
		FilePath: "sample.wav",
		Reader: file, // io.Reader を渡す
	}
	res, err := client.CreateTranscription(ctx, req)
	if err != nil {
		log.Fatalf("Error: %s", err.Error())
	}
	fmt.Printf("text: %s", res.Text) // text: こんにちは
}

フォーマットを verbose_json にすると詳細なデータを取得できる

フォーマットとして verbose_json を指定すると、language や duration など詳細なデータが返ってきました。

package main

import (
	"context"
	"fmt"
	"log"

	"github.com/sashabaranov/go-openai"
)

func main() {
	ctx := context.Background()

	token := "" // OpenAI API のトークンをセット
	client := openai.NewClient(token)

	req := openai.AudioRequest{
		Model:  openai.Whisper1,
		FilePath: "sample.wav",
		Format: openai.AudioResponseFormatVerboseJSON, // フォーマットを verbose_json へ
	}
	res, err := client.CreateTranscription(ctx, req)
	if err != nil {
		log.Fatalf("Error: %s", err.Error())
	}
	fmt.Printf("text: %s\n", res.Text) // text: こんにちは
	fmt.Printf("language: %s\n", res.Language) // language: japanese
	fmt.Printf("duration: %f\n", res.Duration) // duration: 2.810000
}

終わりに

めっちゃ便利です。APIを呼ぶだけなのでウェブアプリに容易に組み込めるかと思います。