【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
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！
目次
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。
なお、OpenAI発の音声認識モデルについて知りたい方はこちらをご覧ください。
→【Whisper】OpenAIの文字起こしツール！モデル一覧、料金体系、APIの使い方を解説
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。
Deepgram
Deepgram Voice AI: Text to Speech + Speech to Text APIs | Deepgram
Power your apps with real-time speech-to-text and text-to-speech APIs powered by Deepgram's voice AI models. Low latency, high quality, and low cost that scales
次にSign Up Free をクリック。
Sign up with Google します。
これで準備は完了です。
なお、その他の文字起こし用AIツールについて知りたい方はこちらをご覧ください。
→ChatGPTを使って文字起こし・議事録作成！プラグインやGPTs、プロンプトも紹介
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。
あわせて読みたい
Deepgram
Deepgram's API Playground allows you to send HTTP requests to Deepgram's API without writing code or setting up an environment.
この画面になったら、音声ファイルを選びます。自信でアップロードもできますが、今回は用意されているファイルを選びます。
次に、音声に対して行いたいタスクを選びます。今回は「Smart Format」を選択し「Run」をクリック。
これを選択すると、音声から変換したテキストに、句読点や数字を付けて読みやすくするんだとか。
実行するとこのようになります。実行結果のすべてを載せたかったのですが、長文すぎたのでキャプチャだけです。
ちなみにレスポンスには以下のような情報が含まれています。
- transcript（トランスクリプト）:処理された音声セグメントに対するテキストです。
- confidence（信頼度）:0から1までの浮動小数点値で、トランスクリプトの全体的な信頼性を示します。値が大きいほど信頼度が高いです。
- words（単語配列）:トランスクリプト内の各単語に関する情報が格納された配列です。
今回は、フォーマッティング（文章の整形）を試しました。
他にも、リプレースメント（置換）や推論などもあるみたいなのでぜひ色々試してみてください。
なお、音声を手掛かりに状況理解までこなすLLMについて知りたい方はこちらをご覧ください。
→【Qwen-Audio】音声だけで状況認識や多言語翻訳ができるアリババ産LLMを使ってみた
