Deepgram vs AssemblyAI:聞き直して検証できるインタビュー逐語録に向け、まずチャンネルと言語の処理方針を選ぶ
研究チームが文字起こし API を選ぶ際は、録音のチャンネル構成、実際に使う言語モデル、単語ごとの時間情報を先に確認する。Deepgram は話者分離のバージョンと多言語文字起こしを明確に設定したい場合に向く。AssemblyAI の発話ターン出力とタイムスタンプ付き章要約も評価に値するが、言語のフォールバックと人手の校訂は省略できない。
インタビューを読みやすい文章に変えるだけでは、研究作業の最初の一歩にすぎない。チームには、誰がどの発言をしたか、クリックして聞き直せるか、校訂後も元の録音を見つけられるかが必要になる。Deepgram と AssemblyAI はどちらも、この種のアプリに必要な文字起こしデータを提供できる。API を選ぶ際は、ベンダー自身の精度ランキングを結論とせず、レビュー工程にどう組み込めるかを比較すべきだ。
話者分離のバージョンを明確に制御し、一つの多言語文字起こしモデルで言語の切り替わりを処理したいチームは、Deepgram を優先して試す価値がある。インタビューの発話ターンを軸にレビューし、さらにタイムスタンプ付きの章要約を生成したいなら、AssemblyAI も併せて評価するとよい。どちらも、文字を返すだけでチームの校訂履歴や引用の証拠のつながりを構築してくれるわけではない。以下の判断は 公式ドキュメント同じ録音群での実測順位ではない。
チャンネルを保ってから、誰が話しているかを判断する
あるインタビューで、研究者と回答者を二つのチャンネルに分けて録音したとする。その場合は、先にモノラルに混ぜてモデルに人物を推測させるのではなく、この分離情報をまず保つべきだ。Deepgram の Multichannel は各チャンネルを独立して文字起こしする。AssemblyAI のマルチチャンネル文字起こしも、各発話ターンと各単語のチャンネル情報を返す。
ただし、チャンネルは人物と同じではない。会議室のマイクが収録する一つのチャンネルに回答者が二人いるなら、そのチャンネル内でも話者を分ける必要がある。AssemblyAI は multichannel と speaker_labels の同時有効化を認めており、想定人数の上限・下限はチャンネルごとに計算されるため、インタビュー全体の人数範囲をそのまま当てはめてはいけない。逆に、ステレオファイルも左右それぞれに一人しかいないことを保証しない。調達前に録音ソフトが実際に出力したファイルを確認すべきだ。
複数人が同じチャンネルに混在する録音では、Deepgram の話者分離で diarize_model=v2 を指定し、バッチ処理用の分離器のバージョンを固定できる。latest は最新の正式版に応じて変わる。従来の diarize=true は引き続き v1 を指し、diarize_model と同時には設定できない。研究バッチ間で出力の違いを説明する必要があるチームは、古いサンプルをそのまま写すのではなく、これらの設定を記録すべきだ。
AssemblyAI は speaker_labels で話者分離を有効にし、話者ラベル付きの utterances を出力する。A、B、数字といったラベル自体は、確認済みの氏名ではない。ラベルを回答者の身元に対応付ける際は、特に割り込み発言や短い回答で、人による確認手順を残す必要がある。
編集可能な原稿では、二種類の信頼度情報を残す
Deepgram の Utterances は、区切りごとと単語ごとの開始・終了時刻を秒単位で提供する。事前録音の話者分離では speaker_confidence も返す。AssemblyAI の話者分離レスポンスは、発話ターンと単語ごとの開始・終了時刻をミリ秒単位で提供し、speaker_options.include_speaker_confidence で話者信頼度を要求できる。テキストの信頼度と話者の信頼度は別の問題に答える。単語を正しく認識していても、別の人物に割り当てている可能性がある。
そのため、エディターに接続する際は時間単位を統一しつつ、元のレスポンスを残すことを勧める。表示用原稿では誤字修正、文の区切りの統合、人物ラベルの置き換えを行ってよいが、元の語順、時間区間、チャンネル、モデル設定まで上書きしてはいけない。例えば、回答者が 12.5 秒の位置で重要な否定を述べた場合、もう一方のレスポンスでは同じ位置が 12500 ミリ秒と記されるかもしれない。変換を誤ると、ページ上の文が完全に正しくても、聞き直しで誤った位置に飛んでしまう。
これも両 API に共通する実装コストだ。チームは録音とバージョンを保存し、誰が何を変更したかを記録し、研究報告書の引用を検証済みの区間にリンクする必要がある。選定では、レビュー担当者に「訂正、聞き直し、話者確認、引用のエクスポート」を実際に一度完了してもらい、その後で削減できた手作業を測るべきだ。
「その言語に対応」だけでなく、実際にどのモデルが使われるかを見る
Deepgram の現在の Nova-3 multilingual は、model=nova-3 と language=multi により 55 言語と会話中の言語切り替えに対応する。language_hint は想定言語を認識しやすくするだけで、他の対応言語を禁止するものではない。外国語の用語が混ざるインタビューでは、全編を無理に単一言語とみなすより、この点が役立つ。
AssemblyAI の現在のモデル説明は、Universal-3.5 Pro を事前録音の推奨モデルとし、18 言語に対応するとしている。その範囲外は Universal-2 にフォールバックでき、全体として 99 言語をカバーする。したがって「プラットフォームが 99 言語に対応」を「99 言語すべてで Universal-3.5 Pro を使用」と解釈してはいけない。評価資料にはリクエスト設定と実際に処理したモデルを記録し、異なるモデルの原稿を一つの平均点に混ぜないようにする。
少数言語や頻繁な言語切り替えを含むプロジェクトでは、先に言語一覧を確認し、同じ許諾済みの代表的な音声区間で比較する。人名、固有名詞、否定文、話者の切り替わりに必要な校訂量を確認する方が、両ベンダーがそれぞれ発表する首位を比べるより、研究チームのコストに近い評価になる。
要約は検証後に、引用ではなく索引として置く
Deepgram の内蔵要約ドキュメントは英語対応と記載し、全チャンネルを横断して一つの要約を生成する。AssemblyAI の Speech Understanding 要約はタイムスタンプ付きの章を提供し、現在はパブリックベータとされている。前者は検証済み英語インタビューの概要に向き、後者は長いインタビューの区間をたどる用途に試す価値があるが、ベータ段階の機能は実際のプロジェクトでの挙動を検証する必要がある。
どちらを選んでも、「回答者は予算不足に言及した」といった生成要約を、そのまま本人の発言として引用してはいけない。要約から音声区間を参照し、レビュー担当者が聞き直して確認した後、検証済みの逐語録を引用に使う。未校訂の文字起こしから要約を生成した場合は、重要な誤字や話者の帰属を修正した後、関連する要約を再確認すべきだ。
最終的な調達判断は、小規模な受け入れ用データセットを軸に進められる。チャンネルを分けたインタビュー、複数人が一つのチャンネルに入るインタビュー、プロジェクトで実際に使う言語を含める。Deepgram のバージョン選択と多言語設定、AssemblyAI の発話ターンデータと章要約は、比較する価値のある二つの組み込み方だ。実際にどちらを残すかは、同じレビュー作業を終えた後、誤った話者の割り当てと手作業による補修がより少なく残るのはどちらかで決めるべきだ。
内容説明:本記事は公開情報をもとに整理した、ツール選定の参考情報です。機能、料金、関連ポリシーは随時変更される場合があります。最新の公式情報をご確認ください。