tkasr_qwen_api.py ダウンロード/コピー
tkasr_qwen_api.py
tkasr_qwen_api.py
1"""
2Qwen3-ASR OpenAI互換APIバックエンド(標準ライブラリのみ)。
3
4Python標準ライブラリのみで実装された、Qwen3 ASRモデルを利用するためのOpenAI互換APIバックエンドを提供します。
5このモジュールは、指定された音声ファイルをQwen ASR APIに送信し、文字起こし結果を取得する機能を提供します。
6
7:doc:`tkasr_qwen_api_usage`
8"""
9from __future__ import annotations
10import json, mimetypes, urllib.error, urllib.request, uuid
11from pathlib import Path
12from typing import Optional
13from tkasr_common import ASRResult
14
15BACKEND_NAME = "qwen-api"
16
17class Backend:
18 """
19 Qwen3-ASR OpenAI互換APIバックエンドの実装クラス。
20
21 音声ファイルをQwen ASR APIに送信し、文字起こし結果を取得する機能を提供します。
22 このクラスは、コマンドライン引数または設定オブジェクトを通じてAPIの設定を受け取ります。
23 """
24 def __init__(self, args):
25 """
26 Backendクラスのコンストラクタ。
27
28 実行時の引数を保持します。これらの引数には、APIベースURLやモデル名などの設定が含まれます。
29
30 :param args: object: コマンドライン引数または設定オブジェクト。
31 """
32 self.args = args
33
34 def load(self):
35 """
36 バックエンドのロード処理を実行します。
37
38 現在の実装では何も行いませんが、将来的な拡張のために存在します。
39 例えば、モデルファイルの事前読み込みなどに使用できます。
40 """
41 pass
42
43 def describe(self):
44 """
45 バックエンドの情報を記述する辞書を返します。
46
47 バックエンド名、APIベースURL、使用モデルなどの設定情報を提供します。
48 これは、実行中のバックエンドの状態や設定を確認するために使用されます。
49
50 :returns: dict: バックエンド情報を含む辞書。
51 """
52 return {"backend": BACKEND_NAME, "api_base": self.args.api_base, "model": self.args.model}
53
54 def transcribe(self, audio: Path, language: Optional[str], prompt: str) -> ASRResult:
55 """
56 指定された音声ファイルを文字起こしします。
57
58 Qwen OpenAI互換APIの `/audio/transcriptions` エンドポイントを使用して、
59 音声データをmultipart/form-data形式で送信し、文字起こし結果を取得します。
60 APIからの応答が不正な場合や、接続エラーが発生した場合はRuntimeErrorを発生させます。
61
62 :param audio: Path: 文字起こしする音声ファイルへのパス。
63 :param language: Optional[str]: (オプション) 音声の言語。ISO-639-1形式(例: "ja"、"en")。指定しない場合、APIが自動検出します。
64 :param prompt: str: (オプション) 文字起こしをガイドするためのプロンプトテキスト。APIがより正確な結果を生成するのに役立ちます。
65 :returns: ASRResult: 文字起こし結果を含むオブジェクト。`text`、`language`、`metadata`(API応答全体)が含まれます。
66 :raises RuntimeError: ASR APIエラー、接続エラー、またはAPIの応答形式が不正な場合に発生します。
67 """
68 boundary = "----tkasr" + uuid.uuid4().hex
69 fields = [f'--{boundary}\r\nContent-Disposition: form-data; name="model"\r\n\r\n{self.args.model}\r\n'.encode()]
70 if language: fields.append(f'--{boundary}\r\nContent-Disposition: form-data; name="language"\r\n\r\n{language}\r\n'.encode())
71 if prompt.strip(): fields.append(f'--{boundary}\r\nContent-Disposition: form-data; name="prompt"\r\n\r\n{prompt}\r\n'.encode("utf-8"))
72 mime = mimetypes.guess_type(audio.name)[0] or "application/octet-stream"
73 fields += [f'--{boundary}\r\nContent-Disposition: form-data; name="file"; filename="{audio.name}"\r\nContent-Type: {mime}\r\n\r\n'.encode(), audio.read_bytes(), f"\r\n--{boundary}--\r\n".encode()]
74 request = urllib.request.Request(self.args.api_base.rstrip("/") + "/audio/transcriptions", data=b"".join(fields), headers={"Content-Type": f"multipart/form-data; boundary={boundary}"}, method="POST")
75 try:
76 with urllib.request.urlopen(request, timeout=self.args.timeout) as response: payload = json.loads(response.read())
77 except urllib.error.HTTPError as exc: raise RuntimeError(f"ASR API エラー ({exc.code}): {exc.read().decode(errors='replace')[:1000]}") from exc
78 except urllib.error.URLError as exc: raise RuntimeError(f"ASR API に接続できません: {exc.reason}") from exc
79 if not isinstance(payload.get("text"), str): raise RuntimeError(f"ASR API の応答形式が不正です: {payload}")
80 return ASRResult(payload["text"].strip(), language=payload.get("language"), metadata={"api_response": payload})