【Deepgram】文字起こしから感情分析までできる全能音声AIを使ってみた

2023-09-092023-09-20

皆さん、Deepgramという音声AIのプラットフォームはご存知ですか？

音声データからの文字起こしや、さらに高度なタスク（要約や文章整形）などをAPIで展開しています。

え、ご存知ない？

1時間の音声データを12秒で文字起こしできる圧倒的なスピード！OpenAIのWhisperは158秒だから、13倍も違うんです！

ということで、仕事で文字起こしツールを使いたいという皆さんのために、この記事ではDeepgramの概要、導入、実際に使ってみた感想についてまとめています。

この記事を最後まで読むと、APIを使ってDeepgram AIのすごさが理解できるはずです！

ぜひ最後までご覧ください！

Deepgramの概要

Deepgramは、音声AIのソリューションを提供するプラットフォームです。
できることは、以下の2つ。

Speech-to-Text（音声からテキストへ変換）
Speech Understanding（音声理解）

まずは、Speech-to-Textについて。
先述したように音声情報を入力して、その内容をテキストに書き起こせます。
DeepgramのSpeech-to-textは、以下のような3つの特徴があるそうです。

精度: 単語の誤り率（WER）が極めて低い。
速度: 推論速度が業界平均よりも圧倒的に速い。
コスト: 競合他社に比べて3-5倍もコスト効率が良い。

次に、Speech Understandingについて。
これは、入力された音声を理解し、それをもとに複雑なタスクを行うというもの。

以下のようにさまざまなタスクを実行可能です。

要約（Summarization）: 音声データの特定の部分を要約し、読みやすさと分析の容易さを高めます。
感情分析（Sentiment Analysis）: この機能は、ポジティブ、ニュートラル、ネガティブな感情を識別します。
トピック検出（Topic Detection）: 重要なトピックを特定し、ラベル付けして洞察を得ます。
エンティティ検出（Entity Detection）: 名前や場所、口座番号などのエンティティを識別します。
話者識別（Speaker Diarization）: 複数の話者がいる場合に、それぞれを識別します。
言語検出（Language Detection）: 音声内の主要な言語を自動で識別します。

Speech-to-textと、Speech Understandingのそれぞれ、ユースケースとしては以下が考えられます。

コール分析（Call Analytics）:顧客との通話データをリアルタイムで分析することが可能です。これにより、顧客満足度の向上や、効率的な問題解決が期待できます。
会話型AI（Conversational AI）:Deepgramの音声理解能力は、チャットボットや仮想アシスタントの精度を大幅に向上させます。特に、自然な会話の流れを理解する能力が高いため、より人間らしい対話が可能です。
コンタクトセンター（Contact Centers）:高い精度と速度で音声をテキストに変換できるため、コンタクトセンターでの顧客対応が効率化されます。
ポッドキャストの文字起こし（Podcast Transcription）:ポッドキャストやインタビューの内容を高精度で文字に起こすことができます。これにより、コンテンツのアーカイブや検索性が向上します。

さらにこれまでご紹介した機能はAPIで利用可能です。

Deepgramの料金体系

DeepgramをAPI経由で利用する際の料金プランも非常に柔軟で、多様なニーズに対応しています。

以下に料金プランをまとめました。

項目	Pay-as-You-Go	Growth	Enterprise
無料クレジット	$200	年間$4Kから	–
対象者	個々の開発者、新規プロジェクト	成長フェーズのスタートアップ、中小企業	大規模プロジェクト、エンタープライズ
料金	Novaモデル: $0.0044/分 Streamingモデル: $0.0059/分 Whisperモデル: $0.0048/分	Novaモデル: $0.0036/分 Streamingモデル: $0.0049/分 Whisperモデル: $0.0048/分	個別見積もり
オプション（Audio Intelligence）	$0.0043/分	$0.0035/分	–
サポート	コミュニティサポート	コミュニティサポート	プレミアムレベルのSLA、専用サポートチーム、優先メールサポート

それでは、導入方法を見ていきましょう。

導入方法

まずは、以下のリンクにアクセスします。

次にSign Up Free をクリック。

これで準備は完了です。

WEEL

【SeamlessM4t】Metaの多言語翻訳AI、使い方から実践まで徹底解説 | WEEL 本記事では、Facebook社（現Meta社）のSeamlessM4Tの概要や導入方法、そして実際に触ってみた感想を紹介します。これはマルチモーダルな音声AIで、1つの入力に対して、音声…

【無料】2023年11月版｜生成系AIの業務活用なら！

・生成系AIを活用したPoC開発

・生成系AIの業務活用コンサルティング

・システム間API連携

無料ダウンロード

生成系AIの業務活用なら！

・生成系AIを活用したPoC開発

・生成系AIのコンサルティング

・システム間API連携

無料ダウンロード

実際に試してみた

先程説明した通りですが、2つのソリューションが提供されています。
それぞれ試してみましょう。

Speech-to-text（音声からテキストへ変換）

こちらは、デモがあるので試してみましょう。

以下の画面で、「Demo:Transcribe pre-recorded files」をクリック。

すると以下の画面になるので、まずは言語を英語に。そして、既存を動画を選びましょう。

すると以下のようになり、音声からテキストが生成されます。再生ボタンを押して確認してみましょう。

正しくテキストに変換できてました。

Speech understanding（音声理解）

音声理解に関しては、Play Ground を通じて利用可能です。

先程の登録では、As Pay You Goプランに登録しているので、200ドル分のクレジットが付与されています。

まずは以下のリンクから、PlayGroundにアクセスします。

生成AIツールならOSS利用がおすすめ

じつのところ、巷に溢れるAIツールは以下のリンクにあるようなオープンソースプロジェクトの組み合わせで作られています。（*全て商用可能・無料なものがほとんど）

ツールはその特性上、どうしても限界があります。

個人で使う場合や、業務の一部分のみを効率化する場合であれば問題ありませんが、社内で大規模に活用する場合は、様々な不都合が発生する可能性があります。

以下に、AIサービスを使用した場合とオープンソース利用による自社開発を行った場合の比較表を作成しました。

初期導入コストや50人未満で活用する場合には、AIサービスに利点が多いです。

しかし、長期的にツールを活用する場合や50人以上の会社で活用する場合には、自社開発を行った方がメリットが大きいです。

加えて、カスタマイズ性や技術資産性、セキュリティの依存性という観点からも、OSS利用による自社開発を行うことを推奨しております。

計算シミュレーション	AIサービス	OSS利用による自社開発
初期導入コスト/初期開発費	◯ 開発費がかからない。（ただし、初期導入コストが実質開発費以上になるようなケースもある）	△ おおよそ500万以上の場合だと、OSS開発の方が安い
ランニングコストの費用対効果	△ 毎月費用が発生する	◯ 基本無料だが、一部管理保守費による費用発生する場合あり
一アカウント当たりの費用対効果	△ １アカウント当たりの月額課金がかかる	◎ 自社クラウドサーバーによる運用
ワークフローの見直し(ツールにワークフローを合わせなくてはいけない)	×	◎
カスタマイズ性	× サービスを開発した機能しか使えない	◎ 完全オーダーメイド
技術資産性	× これから企業価値のキモとなってくるIT技術を外部に依存する	◎ 技術資産をアウトソースしないことで、企業価値が上がる
セキュリティの依存性	× ツール開発会社に依存する	◎ 自社に特化したセキュリティ対策が可能
50人未満の場合（年間あたりの費用対効果）	◎	△
50人以上の場合（年間あたりの費用対効果）	◯	◯
100人以上の場合（年間あたりの費用対効果）	△	◎
300人以上の場合（（年間あたりの費用対効果）	×	◎
1000人以上の場合（年間あたりの費用対効果）	×	◎