> Discover all available pages from the documentation index: https://mastra.zisheng.pro/ja/llms.txt

# Speech-to-Text（STT）

Mastra の Speech-to-Text（STT）は、複数のサービス Provider で音声入力をテキストに変換するための標準化されたインターフェースを提供します。 STT により、音声対応アプリケーションは人の発話に応答できます。ハンズフリー操作に対応し、障害のあるユーザーのアクセシビリティを高め、より自然なインターフェースを提供します。

## 設定

Mastra で STT を使用するには、Voice Provider の初期化時に `listeningModel` を指定します。これには次のようなパラメーターが含まれます。

- **`name`**: 使用する STT モデル。
- **`apiKey`**: 認証に使用する API キー。
- **Provider 固有のオプション**: Voice Provider ごとに必要またはサポートされる追加オプション。

**動作**: これらのパラメーターはすべて任意です。使用する Voice Provider に応じて、Provider が用意するデフォルト設定を使用できます。

```typescript
const voice = new OpenAIVoice({
  listeningModel: {
    name: 'whisper-1',
    apiKey: process.env.OPENAI_API_KEY,
  },
})

// If using default settings the configuration can be simplified to:
const voice = new OpenAIVoice()
```

## 利用可能な Provider

Mastra は複数の Speech-to-Text Provider をサポートしており、それぞれに異なる機能と長所があります。

- [**OpenAI**](https://mastra.zisheng.pro/ja/reference/voice/openai): Whisper モデルによる高精度な文字起こし
- [**Azure**](https://mastra.zisheng.pro/ja/reference/voice/azure): エンタープライズレベルの信頼性を備えた Microsoft の音声認識
- [**ElevenLabs**](https://mastra.zisheng.pro/ja/reference/voice/elevenlabs): 複数言語に対応する高度な音声認識
- [**Google**](https://mastra.zisheng.pro/ja/reference/voice/google): 幅広い言語に対応する Google の音声認識
- [**Cloudflare**](https://mastra.zisheng.pro/ja/reference/voice/cloudflare): 低遅延アプリケーション向けにエッジ最適化された音声認識
- [**Deepgram**](https://mastra.zisheng.pro/ja/reference/voice/deepgram): さまざまなアクセントを高精度で認識する AI 音声認識
- [**Sarvam**](https://mastra.zisheng.pro/ja/reference/voice/sarvam): インド諸語とそのアクセントに特化

各 Provider は個別のパッケージとして実装されており、必要に応じてインストールできます。

```bash
pnpm add @mastra/voice-openai@latest  # Example for OpenAI
```

## listen メソッドを使用する

STT の中心となる `listen()` メソッドは、音声をテキストに変換します。使用方法を次に示します。

```typescript
import { Agent } from '@mastra/core/agent'
import { OpenAIVoice } from '@mastra/voice-openai'
import { getMicrophoneStream } from '@mastra/node-audio'

const voice = new OpenAIVoice()

const agent = new Agent({
  id: 'voice-agent',
  name: 'Voice Agent',
  instructions: 'You are a voice assistant that provides recommendations based on user input.',
  model: 'openai/gpt-5.6-sol',
  voice,
})

const audioStream = getMicrophoneStream() // Assume this function gets audio input

const transcript = await agent.voice.listen(audioStream, {
  filetype: 'm4a', // Optional: specify the audio file type
})

console.log(`User said: ${transcript}`)

const { text } = await agent.generate(
  `Based on what the user said, provide them a recommendation: ${transcript}`,
)

console.log(`Recommendation: ${text}`)
```

## 音声ファイルを文字起こしする

`listen()` メソッドは、マイクまたはファイルからの音声データストリームを受け取ります。音声ファイルを文字起こしする場合は `createReadStream()` を使用します。

```typescript
import { createReadStream } from 'fs'
import path from 'path'

const audioFilePath = path.join(process.cwd(), 'agent.m4a')
const audioStream = createReadStream(audioFilePath)

const transcription = await agent.voice.listen(audioStream, {
  filetype: 'm4a',
})

console.log(`Transcription: ${transcription}`)
```

Agent で利用できる Voice Provider の概要については、[Mastra の Voice](https://mastra.zisheng.pro/ja/guides/voice/overview)を参照してください。