Groq Speech to Text

Groq Speech to Text は、GroqCloud の Whisper モデルを使う高速なファイル文字起こしです。xAI Grok とは別のプロバイダで、API キー・エンドポイント・モデル・制限・同意を共有しません。Ayumi ではプロンプトなしでタイトル付きの文字起こしを書き出します。

Groq API キーの取得

GroqCloud Console にサインイン
API キーを作成
キーをコピー

Ayumi での設定

文字起こし設定 を開く
Groq セクションにキーを貼り付け
Groq Whisper (Fast) に★を付けて既定にするか、録音ごとに選ぶ

Groq プロファイルは、プロファイル側で Override API Key を設定しない限り Groq の基本キーを使います。キーは Keychain に保存され、キューの文字起こしタスクには保存されません。

モデル

モデル	向いている用途
Whisper Large V3 Turbo	既定。日常の録音を速く文字起こししたいとき
Whisper Large V3	レイテンシより精度を優先したいとき

Ayumi 内では groq/whisper-large-v3-turbo と groq/whisper-large-v3 として保存し、xAI Grok のモデル識別子と混同しないようにしています。

オプション

オプション	内容
Language（言語）	Automatic のままなら自動検出。日本語や英語などを指定すると言語ヒントとして送ります。
Segment Timestamps（セグメント時刻）	Whisper の各セグメントに `[mm:ss–mm:ss]` の区間を付けます。
Names and Terms（人名・用語）	直接入力、Markdown ファイル、または両方から、人名・専門用語・製品名の認識を寄せます。

Groq が提供するのは専用の語彙リストではなく Whisper のコンテキストプロンプトです。Ayumi はファイル側を先に結合し、重複を除き、プロンプト上限内に収まる用語だけを順番どおり丸ごと送ります。

アップロードと制限

対応する録音を Groq の /openai/v1/audio/transcriptions へ直接送ります。
直接アップロードは 25 MB までで、それより大きい録音は送信前に拒否します。
FLAC、MP3、MP4、MPEG、MPGA、M4A、OGG、WAV、WebM に対応します。
現在の Ayumi はファイル文字起こしのみを使い、ストリーミング・バッチジョブ・翻訳・話者分離は使いません。

最新のモデル・形式・制限は Groq Speech to Text 公式ドキュメントを参照してください。

データプライバシー

Groq プロファイル使用時：

音声は処理のためにデバイスから Groq へ直接送信されます
Ayumi は Groq 固有の同意を求めます。Google・Meta・xAI に対する既存の同意は流用しません
Ayumi のサーバーを音声が経由したり、そこへ保存されたりすることはありません
Groq は推論データを既定では保持しない一方、Zero Data Retention が適用されない場合は信頼性・不正利用監視用の限定データを最大30日保持することがあると説明しています。詳細は Groq のデータドキュメントを参照してください