Rev AI について
About
Rev AIとは
Rev AI は、2010年から人手で確認した音声データを集めてきた転写企業 Rev の開発者向け製品だ。一般向けアプリではなく、自動音声認識のエンジンそのものを API として提供する。音声や動画を送ると、句読点、タイムスタンプ、話者ラベルが付いたテキストが返ってくる。
納品方法は2つあり、ほぼすべての用途をこの2つで覆える。非同期エンドポイントは録音済みのファイルを受け取り、数分で結果を返す。ストリーミングエンドポイントは WebSocket か RTMP でライブ音声を受け取り、話している最中に字幕を生成する。Rev によれば、どちらも同じモデルで動いており、700万時間を超える人手確認済みの音声で学習している。
本当の制約は精度ではなく適用範囲にある。Rev AI はコードを書けるチーム、または SDK を扱えるチーム向けだ。管理画面はテスト用に用意されているが、本番運用には技術者の存在が前提になる。分析機能（感情、トピック、要約、翻訳）は基本料金に加えて分単位、または10語ごとに課金される。すべて同時に有効にすると請求額はすぐに膨らむ。
導入の流れ
- rev.ai でアカウントを作る。新規アカウントには Reverb ASR 5時間分の無料クレジットが付き、すべての製品に使える。
- 管理画面でアクセストークンを取得する。リクエストは必ず Authorization ヘッダーで送る。
- ジョブを投入する。メディアの URL か multipart アップロードを jobs エンドポイントに送り、言語と必要なオプションを指定する。
- ジョブの状態を問い合わせるか、webhook を登録して完了時にサーバーへ通知を受け取る。
- 結果をダウンロードする。形式はタイムスタンプ付き JSON、プレーンテキスト、SRT、VTT から選べる。
AIツール情報
Rev AI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
- バックエンド開発者
- メディア・ポストプロダクションの担当者
- コンタクトセンターやコンプライアンス担当
タスク
- 古いアーカイブの字幕を一括で整備する
- ウェビナーや配信のリアルタイム字幕
- 通話録音の分析
- 研究インタビュー
シーン
- 週に2,000件の電話を点検するサポートチーム
- 字幕を出すポッドキャストネットワーク
- 保護対象の録音を処理する医療機関
主な機能
長さ制限のない非同期文字起こし
バッチジョブは録音済みの音声と動画を処理し、Rev によれば1時間のファイルが1分未満で返る。実務上の上限は1ジョブあたり音声17時間で、URL で渡すファイルは5 TB まで扱える。丸一日の録音、法廷証言、学会のアーカイブを分割せずに流し込める。
WebSocket と RTMP によるリアルタイム文字起こし
ストリーミング API はライブ音声を低遅延の字幕に変える。バッチ版と同じモデルを使う。アプリには WebSocket、放送用エンコーダーには RTMP を用意している。1本のストリームは3時間までなので、長時間のイベントでは Rev が文書化している再接続の手順が要る。
話者分離とチャンネル分割
誰が話したかをラベルで示す。英語は最大8人、その他の言語は6人まで。人物ごとに別トラックで録音していれば、チャンネル数を指定することで話者分離だけよりきれいに分かれる。話者数を固定する設定はなく、騒がしいグループ録音ではこの差が効いてくる。
単語単位のタイムスタンプと強制アラインメント
テキストには単語のレベルまでタイムスタンプを付けられる。引用、検索、字幕の同期がぐっと楽になる。対になるのが強制アラインメントで、音声と既存のスクリプトを渡すと各単語の正確な時刻が返る。メディア班は焼き込み字幕の位置合わせに、法務班は証言の一場面を示すのに使う。
言語識別と58言語
非同期 API は58言語に対応し、英語とスペイン語の多言語モデルも含む。ストリーミングは9言語だ。言語識別は独立した呼び出しなので、正体不明の音声を先に分類してから文字起こしの費用をかけられる。言語ごとに精度の傾向があり、最新の一覧は Rev が公開している。
感情分析、トピック抽出、要約、翻訳
テキスト化だけでなく、この音声文字起こしサービスは感情の採点、トピック抽出、長い録音の要約、別言語への翻訳までこなす。どれもジョブの個別パラメータなので、使わない機能に払う必要はない。標準モデルとプレミアムモデルで料金が違うため、大きなバッチを回す前に単価を確認したい。
業界用語のためのカスタム語彙
社名、製品名、専門用語のリストを渡すと、その綴りで出力させられる。効くのはブランド名、薬品名、汎用モデルが崩しがちな社内用語だ。学習させる言語モデルではなく、単なる語句リストである。
開発者向けツールと納品方法
公式 SDK は Python と Node.js に対応し、webhook が完了を知らせ、出力は JSON、プレーンテキスト、SRT、VTT に対応する。パブリッククラウドを使えない企業向けに自社ホスティングも用意している。ジョブは保存期間を短縮しない限り30日間サーバーに残る。
メリットとデメリット
メリット
- 英語のバッチ音声は1時間 $0.20、他言語でも1時間 $0.30 と基本料金が安い。
- Rev 自身のベンチマークに裏打ちされた精度で、アクセント間の誤差も小さい。
- 話者分離、単語単位のタイムスタンプ、58言語が1つの API にまとまり、4社を束ねる必要がない。
- HIPAA、SOC 2、PCI に対応し、EU リージョンとオンプレミスも選べるため規制業種に向く。
デメリット
- 一般向けアプリがない。開発者の助けがないと管理画面のデモで止まる。
- 分析機能は別料金で、感情とトピックを一通り回すと文字起こし本体より高くつくことがある。
- 既定の同時実行上限は10分あたり500ジョブで、サポートが引き上げない限り大きな案件は次の枠まで待たされる。
- ストリーミングは1接続3時間で切れ、対応は9言語のみ。バッチ API には遠く及ばない。
よくある質問
試せるが上限がある。新規アカウントには Reverb ASR 5時間分の無料クレジットが付き、プラットフォーム上のどの製品にも使える。その後は従量課金で、英語音声は1時間 $0.20 から。
関連コンテンツ
Rev AIに関連するツール、スキル、記事を探す。
Rev AIの代替ツール
Google EmbeddingGemma 2
Google DeepMind · ライティング · 画像 · コーディングGoogle EmbeddingGemma 2 は 7 億 4000 万パラメータのオープンなモデルで、テキスト、コード、画像、音声、動画フレームを同じ 768 次元空間のベクトルに変え、スマートフォンやノート PC 上で動く。
MePersona
MePersona, Inc. · ライティング · 生産性向上 · マーケティングMePersonaはクリエイター向けのAI統合受信箱だ。あなたの話し方を学習し、12プラットフォームに届くファンメッセージの返信を下書きして、承認したものだけを送る。
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。