---
slug: /amivoice-api/manual/audio-format
---

AmiVoice API で取り扱うことができる音声データのフォーマット、および、[リクエストパラメータ](/amivoice-api/manual/request-parameters)での設定方法について説明します。

## 対応している音声
AmiVoice API が対応している音声フォーマットを説明します。

### エンコーディング

- Signed 16-bit PCM (リトルエンディアン、ビッグエンディアン)
- A-law (8-bit)
- mu-law (8-bit)

### サンプリングレート {#sampling-rate}
8kHz、11.025kHz、16kHz、22.05kHz、32kHz、44.1kHz、48kHzのサンプリングレートに対応しています。A-law、mu-law形式は、8kHz のみ対応しています。

**Note**
このドキュメントの中で、11.025kHz、22.05kHzはそれぞれ、11kHz、22kHzと表記することもあります。

AmiVoice API で音声認識処理を行う[音声認識エンジン](/amivoice-api/manual/engines)は、8kHzと16kHzのサンプリングレートに対応した2種類あります。8kHzエンジンは主に電話で使われる音声に対して、16kHzはそれ以外で広く使われている音声のために用意しています。それぞれの音声認識エンジンに対応するサンプリングレートは以下の表のとおりです。

| [音声認識エンジン](/amivoice-api/manual/engines) | 対応するサンプリングレート         |
|--------|--------------------|
| 8kHzに対応した音声認識エンジン  | 8kHz、11.025kHz      |
| 16kHzに対応した音声認識エンジン   | 16kHz、22.05kHz、32kHz、44.1kHz、48kHz |

8kHzに対応しているのは一部の音声認識エンジンです。詳細は[音声認識エンジンの一覧](/amivoice-api/manual/engines#list)を参照してください。

**Tip**
歌や楽器の演奏などとは異なり、一般に音声認識には16kHzよりも高い周波数帯域の情報は必要ありません。16kHzよりも高い周波数でサンプリングした音声を送信しても、16kHzにダウンサンプリングしてから処理されるため、サンプリングレートを16kHzよりも高くする必要はありません。ネットワークの帯域を節約したり、送信にかかる時間を減らすためにも適切なサンプリングレートで音声データを送信することをお勧めします。なお、16kHz以外のサンプリングレートでも、音声認識の精度には全く影響しません。

8k音声に対応している[音声認識エンジン](/amivoice-api/manual/engines)を利用する場合も同様に、11kHzの音声は、8kHzにダウンサンプリングされてから処理されます。

AmiVoice TechBlogの『[音声認識に必要なサンプリングレートはどのくらいか？](https://acp.amivoice.com/blog/2022-11-29-105246/)』も参考にしてください。

### チャネル数 {#channels}
Wave、Ogg、FLACなどのファイルのヘッダに音声フォーマットが含まれている"ヘッダあり"の音声ファイルの場合、複数チャネルに対応しています。"ヘッダなし"の音声ファイルの場合、１チャネルのみ対応しています。

複数チャネルの音声の場合、デフォルトでは１チャネル目のみが音声認識の対象となります。リクエストパラメータの [audioFilterProperties](/amivoice-api/manual/request-parameters#audiofilterproperties)を用いることで、音声認識の対象となるチャネルを指定することができます。このパラメータは、同期 HTTP インタフェースおよび非同期 HTTP インタフェースの v2 でのみ使用可能です。WebSocket インタフェースおよび非同期 HTTP インタフェースの v1 の場合は、デフォルト同様に１チャネル目のみが音声認識の対象となります。

**Tip**
音源がステレオ音声で、２つのチャネルをどちらも音声認識させたい場合、`audioFilterProperties`パラメータを用いて２つのチャネルを混合し平均させて認識させることもできますが、チャネルごとに別の音声認識リクエストを行うと、特に発話のタイミングが被っているような場合に有用です。

AmiVoice TechBlogの『[ステレオ音声ファイルをモノラル音声ファイル×2に変換するやり方](https://acp.amivoice.com/blog/2023-04-17-111456/)』も参考にしてください。

### 音声圧縮
Speex、Opus、MP3、FLACに対応しています。

**Tip**
人の耳でも聞き取りづらいような、強い圧縮をかけると認識精度に影響があります。以下の圧縮方式での圧縮率のガイドラインを示します。

|圧縮方式 | ガイドライン         |
|--------|--------------------|
| Speex  | quality 7 以上      |
| Opus   | 圧縮率 10 分の 1 程度 |

### ファイルフォーマット
Wave(WAV)、Ogg、MP3、FLACに対応しています。音声フォーマットがファイルのヘッダなどに記述されているため、リクエストパラメータでの音声フォーマットの指定が不要な場合があります。詳細は、次の[音声フォーマットの設定方法](#request-parameters)を参照してください。

## 音声フォーマットの設定方法 {#request-parameters}
音声認識のリクエスト時には、送信する音声データの音声フォーマットを指定する必要があります。Wave(WAV)、Ogg、FLACなどのコンテナファイルは、音声フォーマットがファイルのヘッダに記述されています。このような"ヘッダあり"の音声ファイルを送信する場合と、音声フォーマットがファイルのヘッダに含まれていない"ヘッダなし"の音声データを送信する場合についてそれぞれ説明します。

**Danger**
正しい音声フォーマットを指定してください。誤った設定をすると、結果が全く得られなかったり、音声認識、話者ダイアライゼーションの精度が低下します。

**Tip**
後述の音声フォーマット名は、大文字小文字を区別しません。`LSB16K`と`lsb16k`は同じです。

### ヘッダありの音声フォーマット {#table-header-audio-format}
ファイルのヘッダなどに音声フォーマットが記述されている場合は、以下のように音声フォーマットを設定します。

| <div style={{ width: "140px" }}>インタフェース</div>    | 音声フォーマットの設定方法                     |
|-----------------|-----------------------------|
| 同期・非同期 HTTP | 音声フォーマットの指定を省略できます                 |
| WebSocket       | `s`コマンドの第一引数に音声データのサンプリングレートが、8kHz/11kHzの場合は、`8k`、16kHz以上の場合は、`16k`を設定してください。 |

対応している音声フォーマットとその設定方法を以下の表にまとめます。

| <div style={{ width: "100px" }}>ファイルフォーマット</div> | エンコーディング・音声圧縮                    |サンプリング周波数|チャネル数    | 音声フォーマット名 |
|------|---------------------------|:-----:|:-----:|:--------:|
| Wave | PCM Signed 16-bit little-endian <br/> (※ formatTag: 0x0001) | 8kHz, 11kHz | 1 以上   |  `8K`   |
| Wave | PCM Signed 16-bit little-endian <br/> (※ formatTag: 0x0001) | 16kHz以上 | 1 以上   |  `16K`   |
| Wave | mu-Law 8-bit <br/> (※ formatTag: 0x0007) | 8kHz | 1 以上              |  `8K`   |
| Wave | A-Law 8-bit <br/> (※ formatTag: 0x0006) | 8kHz | 1 以上               |  `8K`   |
| Ogg | Speex | 8kHz, 11kHz | 1 または 2   |  `8K`   |
| Ogg | Speex | 16kHz以上 | 1 または 2   |  `16K`   |
| Ogg | Opus | 8kHz, 11kHz | 1 以上   |  `8K`   |
| Ogg | Opus | 16kHz以上 | 1 以上   |  `16K`   |
| WebM | Opus | 8kHz, 11kHz | 1 以上   |  `8K`   |
| WebM | Opus | 16kHz以上 | 1 以上   |  `16K`   |
| MP3 | MP3 | 8kHz, 11kHz | 1 または 2   |  `8K`   |
| MP3 | MP3 | 16kHz以上 | 1 または 2   |  `16K`   |
| FLAC | FLAC | 8kHz, 11kHz | 1 以上   |  `8K`   |
| FLAC | FLAC | 16kHz以上 | 1 以上   |  `16K`   |

**Note**
複数チャネルのある音声データの場合、デフォルトでは 1 チャネル目のみが音声認識の対象となります。他のチャネルを音声認識させたい場合は、リクエストパラメータの`audioFilterProperties`を用います。

#### 同期 HTTP インタフェースの例
wavファイルには音声フォーマットの情報が含まれており、音声フォーマットは自動的に判別されるため指定は不要です。curlコマンドを使った例は以下のとおりです。

```shell {4}
curl https://acp-api.amivoice.com/v1/recognize \
     -F u={APIキー} \
     -F d=grammarFileNames=-a-general \
     -F a=@test-16k.wav
```

#### 非同期 HTTP インタフェースの例
wavファイルには音声フォーマットの情報が含まれており、音声フォーマットは自動的に判別されるため指定は不要です。curlコマンドを使った例は以下のとおりです。

```shell {4}
curl https://acp-api-async.amivoice.com/v2/recognitions \
     -F u={APIキー} \
     -F d=grammarFileNames=-a-general \
     -F a=@test-16k.wav
```

**Note**
エンドポイント以外は同期 HTTP インタフェースと同じです。

#### WebSocket インタフェースの例
16kHzエンジンを利用する場合、以下のように`s`コマンドの1番目のパラメータに設定します。
```
s 16K -a-general
```

サンプリングレートが8kの場合でかつ、8kHzにも対応しているエンジン、例えば、「会話\_汎用 (`-a-general`)」を利用する場合、以下のようにします。
```
s 8K -a-general
```

**Caution**
WebSocketインタフェースで、ヘッダありの音声データを送信するとき、`8K`か`16K`以外の音声フォーマットを指定しないでください。後述のPCM形式の音声データを判断するための[ヘッダなしの音声フォーマット](#table-headerless-audio-format)にある文字列、例えば、`LSB16K`などを設定すると、その情報をもとに処理を行います。多くの場合は、発話が検出されないか、発話とは全く異なった結果を返します。

### ヘッダなしの音声フォーマット {#table-headerless-audio-format}
生のPCMデータなど"ヘッダなし"の音声データを送信する場合は以下のように音声フォーマットを設定します。

| <div style={{ width: "140px" }}>インタフェース</div>    | 音声フォーマットの設定方法                     |
|-----------------|-----------------------------|
| 同期・非同期 HTTP | `c`パラメータに`LSB16K`のような音声フォーマット名を指定してください。                 |
| WebSocket       | `s`コマンドの第一引数に`LSB16K`のような音声フォーマット名を指定してください。          |

エンコーディングとサンプリングレートに対応する音声フォーマット名は以下の表の通りです。

| エンコーディング                    |サンプリング周波数|チャネル数    | 音声フォーマット名 |
|---------------------------------|:-----:|:-----:|:--------:|
| PCM Signed 16-bit little-endian | 8kHz | 1    |  `LSB8K`   |
| PCM Signed 16-bit little-endian | 11kHz | 1   |  `LSB11K`  |
| PCM Signed 16-bit little-endian | 16kHz | 1   |  `LSB16K`  |
| PCM Signed 16-bit little-endian | 22kHz | 1   |  `LSB22K`  |
| PCM Signed 16-bit little-endian | 32kHz | 1   |  `LSB32K`  |
| PCM Signed 16-bit little-endian | 44.1kHz | 1 |  `LSB44K`  |
| PCM Signed 16-bit little-endian | 48kHz | 1   |  `LSB48K`  |
| PCM Signed 16-bit big-endian | 8kHz | 1       |  `MSB8K`   |
| PCM Signed 16-bit big-endian | 11kHz | 1      |  `MSB11K`  |
| PCM Signed 16-bit big-endian | 16kHz | 1      |  `MSB16K`  |
| PCM Signed 16-bit big-endian | 22kHz | 1      |  `MSB22K`  |
| PCM Signed 16-bit big-endian | 32kHz | 1      |  `MSB32K`  |
| PCM Signed 16-bit big-endian | 44.1kHz | 1    |  `MSB44K`  |
| PCM Signed 16-bit big-endian | 48kHz | 1      |  `MSB48K`  |
| mu-Law 8-bit | 8kHz | 1               |  `MULAW`   |
| A-Law 8-bit | 8kHz | 1                |  `ALAW`   |

#### 同期 HTTP インタフェースの例
ここではサンプリングレート16kHz、量子化ビット16bit、モノラル、リトルエンディアンのPCMデータを送信する場合のcurlを使った例を示します。この場合、`c`パラメータに`LSB16K`を指定します。

```shell {4,5}
curl https://acp-api.amivoice.com/v1/recognize \
     -F u={APIキー} \
     -F d=grammarFileNames=-a-general \
     -F c=LSB16K \
     -F a=@test-16k.pcm
```

#### 非同期 HTTP インタフェースの例
ここではサンプリングレート16kHz、量子化ビット16bit、モノラル、リトルエンディアンのPCMデータを送信する場合のcurlを使った例を示します。この場合、`c`パラメータに`LSB16K`を指定します。

```shell {4,5}
curl https://acp-api-async.amivoice.com/v2/recognitions \
     -F u={APIキー} \
     -F d=grammarFileNames=-a-general \
     -F c=LSB16K \
     -F a=@test-16k.pcm
```

**Note**
エンドポイント以外は同期 HTTP インタフェースと同じです。

#### WebSocket インタフェースの例
ここではサンプリングレート16kHz、量子化ビット16bit、モノラル、リトルエンディアンのPCMデータを送信します。この場合、`s`コマンドに`LSB16K`を指定します。

```
s LSB16K -a-general
```

**Note**
WebSocket インタフェースの`s`コマンドにはその他のパラメータも設定します。詳細は[認識要求の開始](/amivoice-api/manual/websocket-interface#request)や、リファレンスの[sコマンド応答パケット](/amivoice-api/reference/websocket/command/s-command-packet#response)を参照してください。

**Caution**
ヘッダなしの音声に対して、`8K`か`16K`のようなヘッダあり音声ファイルに対する音声フォーマットを指定すると、ヘッダを読み込もうとして失敗します。ヘッダ読み込みに失敗すると`LSB16K`として扱われます。ヘッダなしの音声データを送信する場合は、必ず[ヘッダなしの音声フォーマット](#table-headerless-audio-format)にある文字列のいずれかを指定してください。
