Deepgram
Deepgram · 音声・言語
Deepgramは音声をテキストに、テキストを音声に変換するAPIを提供する音声AIプラットフォームであり、開発者は文字起こしツールや音声エージェントを構築できる。
Deepgram について
What Is Deepgram
Deepgramは音声モデルを開発し、開発者向けAPIとして公開する企業だ。プラットフォームは音声の一連の流れをカバーする。音声認識、音声合成、そしてリアルタイムで会話する音声エージェントの3つである。2015年にY Combinatorから始まった当時、創業チームはまだ物理と音声の機械学習を研究していた。
売りは低い単価での精度と速さにある。通話を文字起こししたり、動画に字幕を付けたり、電話ボットを動かしたりするチームは、独自モデルを学習させずにAPIを1本つなぐだけで済む。音声を外部クラウドに送れない企業向けには、セルフホストとオンプレミスの選択肢も用意している。
最大の制約は、Deepgramが売っているのはアプリではなく開発者向け製品だという点にある。一般ユーザーがクリックで触れる画面はない。コードを書き、APIキーを管理し、ストリーミング音声とバッチ音声の違いを理解して初めて、役に立つ結果が手に入る。
Getting Started
- Deepgramのコンソールで無料アカウントを作り、付与されるクレジットを受け取る。
- コンソールからAPIキーをコピーし、プロジェクトの環境変数として保存する。
- 公式SDK（Python、JavaScript、Go、.NET）を入れるか、文字起こしエンドポイントへ直接HTTPSリクエストを送る。
- 音声ファイルをアップロードするかWebSocketストリームを開き、Nova-3などのモデルを選ぶ。
- JSONレスポンスを読む。文字起こし、単語ごとのタイムスタンプ、有効にした追加機能が入っている。
AIツール情報
Deepgramの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- 文字起こしAPIを必要とする開発者：モデルの面倒はDeepgramが見るが、コードを書きAPIドキュメントを読めることが前提になる。
- 音声機能を足したいプロダクトチーム：音声認識、音声合成、エージェントを1本のAPIでまかなえるため、3社を組み合わせる手間が減る。
- コールセンターとサポート部門：話者ラベル付きのリアルタイム文字起こしがあれば、音質がそこそこ良い限り、顧客が何を言ったかを後から確認できる。
- コンプライアンス規則のある企業：音声を自社サーバーから出せない場合、セルフホストとHIPAA対応の契約が効いてくる。
タスク
- 録音した会議やインタビューの文字起こし：バッチモードは長いファイルを扱え、スマートフォーマットが句読点や日付を整える。
- 動画への大量字幕付け：単語単位のタイムスタンプがテキストと音声トラックをそろえる。
- 電話やチャットの音声ボット運用：音声エージェントAPIが1回の呼び出しで発話の交代と割り込みを処理する。
- 機密情報の伏せ字処理：自動レダクションが、文字起こしが保存先に届く前にカード番号や電話番号を除去する。
- 読み上げ音声の生成：音声合成モデルがスクリプトを読み上げ、アシスタントやナレーションに使える。
シーン
- 初めての音声機能を出すスタートアップ：従量課金なので、試している段階で先に契約を結ばなくてよい。
- 録音の山をさばくメディア企業：バッチ処理が何時間分もの音声をこなし、人が1本ずつ耳を澄ませる必要がない。
- フラグの付いた通話を見直すサポートチーム：話者分離がオペレーターと顧客を分けるため、管理者が素早く確認できる。
- 音声処理をオンプレミスへ移す大企業：セルフホストの選択肢なら音声は社内ネットワークにとどまる。
主な機能
Nova-3による音声認識
Nova-3はDeepgramの主力となる文字起こしモデルだ。Deepgramによれば、雑音の多い通話や強いなまりなど難しい音声でも精度が上がり、45言語以上に対応する。英語では文中の言語切り替えにも対応し、2言語を混ぜて話す人でも1つの文字起こしに収まる。
会話向け認識のFlux
Fluxは単なる文字起こしではなく、生きた会話のために作られている。無音ではなく意味で発話の終わりを判断するため、音声エージェントが相手を遮らない。割り込みにも対応し、途中で話し始めたユーザーには固まった回線ではなく応答が返る。
音声合成の声
AuraとFlux TTSは書き言葉を自然な音声に変え、遅延は最短80ミリ秒だ。Flux TTSは会話全体を通してトーンと文脈を保つため、回答がバラバラの断片のように聞こえない。すでに好みの声の提供元があるなら、DeepgramのTTSと組み合わせてもよい。
統合された音声エージェントAPI
音声認識ツール、音声合成ツール、言語モデルを別々につなぐ代わりに、音声エージェントAPIは3つをまとめて束ねる。1回の呼び出しが聞くこと、考えること、話すことを担う。そのぶん統合作業が減り、別々のサービス間でデータが飛び交うときの遅延も抑えられる。
Audio Intelligence
Audio Intelligenceは文字起こしに意味を重ねる。要約は長い通話を要点に縮め、トピック検出は何が話されたかを示し、感情分析は会話の印象を数値化する。エンティティ検出は人名、場所、日付を自動で抜き出す。
話者分離とスマートフォーマット
話者分離は誰がいつ話したかを付け、複数人の通話やインタビューでこそ必要になる。スマートフォーマットは句読点を足し、大文字小文字を直し、読み上げた日付や金額を読みやすい形に書き換える。どちらも追加機能として動き、必要なプロジェクトだけ有効にできる。
柔軟なデプロイ
Deepgramは自社クラウドで動くが、データ規則の厳しいチーム向けにセルフホストとオンプレミスも用意する。専用のEUエンドポイントなら音声処理を欧州連合内にとどめられる。この柔軟さは、共有のパブリッククラウドを使えない企業を狙っている。
メリットとデメリット
メリット
- 従量課金なので、小さく始めて契約交渉なしに拡大できる。
- 音声認識、音声合成、音声エージェントを1つのプラットフォームでまかない、管理する取引先が減る。
- 低遅延ストリーミングはアップロード済みファイルだけでなく、生きた通話にも使える。
- セルフホストとEUデータ居住の選択肢は、厳しいコンプライアンス要件を抱えるチームに合う。
- 雑音やなまりのある音声での公開ベンチマークに裏打ちされた高い精度。
デメリット
- 一般向けアプリがないため、プログラミングをしない人は何かを作らないと使えない。
- コストは分単位で増え、文字起こしの請求は定額制の競合より速く膨らむことがある。
- レダクションや一部言語といった機能はモデルによって差があり、プロジェクトごとに互換性の確認が要る。
- セルフホストは追加のインフラ作業を伴い、小さなチームには負担が大きい。
よくある質問
Deepgramは音声をテキストに変え、テキストを音声に変え、音声エージェントを動かすAPIを提供する。開発者は自社アプリ内でそのAPIを呼び、モデルを一から学習させずに音声機能を足せる。
関連コンテンツ
Deepgramに関連するツール、スキル、記事を探す。
Deepgramの代替ツール
Foley
Hanamori Labs, LLC · 音声・言語 · 生産性向上 · AIアシスタントFoleyは音声ToDoリストだ。話した一文をプロジェクト・日付・時刻まで入ったタスクとして整理し、その後はすでにあるリストを軸に一日の順番を組み立てる。
HireKey
HireKey · 音声・言語 · 生産性向上 · 学習HireKey は元テック業界リクルーターが作った AI 求職コパイロット。求人適合分析、職務経歴書のカスタマイズ、面接練習、応募管理を一つの画面にまとめる。
Fluence
Yay Software (Yannick Huchard) · ライティング · 音声・言語 · 生産性向上Fluence は Android 向けのドキュメントリーダーだ。PDF、EPUB、Word 文書、ウェブ記事を読み上げ、発話中の文を画面で追わせ、本文についての質問にも端末上で答える。