Deepgramについて
Deepgram は、製品に文字起こし、音声合成、会話型エージェント、音声分析を組み込む必要がある開発者向けの音声 AI API プラットフォームです。音声認識はライブストリームと録音済み音声の両方に対応します。Flux は会話のターン検出、Nova-3 は文字起こし、Aura-2 はストリーミング音声合成に重点を置いています。Voice Agent API は、聞き取りと発話を1つのワークフローに統合します。チームはパブリッククラウドのエンドポイントから始めることができ、インフラの管理が重要な場合はセルフホスト型の導入も検討できます。新規アカウントには $200 の利用クレジットが付与され、使い切ると従量課金が始まります。そのため初期テストには取り組みやすいものの、本番運用の計画には引き続き注意が必要です。同時実行数はエンドポイントや API の種類によって異なり、費用はモデルの選択とワークロードに左右されます。また、導入やサポートの要件によっては企業向け契約が必要になる場合があります。
機能
リアルタイム文字起こし
通話、会議、ポッドキャスト、メディアストリームの音声を到着と同時に検索可能なテキストへ変換したり、録音を送信してバッチ処理したりできます。製品チームは文字起こしを字幕、検索可能なアーカイブ、担当者支援画面、分析、後続の自動化に利用できます。本番導入前には、適切な認識モデルと API の転送方式を選び、そのエンドポイントの同時実行数上限に合わせて必要な処理能力を見積もる必要があります。
会話型音声エージェント
会話音声認識、ターン検出、生成音声を組み合わせ、カスタマーサポートやサービス業務向けの音声アシスタントを構築できます。Flux は話者が話し終えたタイミングの判定を支援し、Voice Agent API と音声合成コンポーネントは応答経路を支えます。これらの音声機能を1つのプラットフォームにまとめることで統合作業を減らせますが、実際の通話を想定して遅延、割り込み処理、対応言語、同時実行数を検証する必要があります。
音声インテリジェンス
文字起こしと併せて、会話音声からトピック、要約、感情シグナル、その他の構造化情報を抽出します。コンタクトセンターは出力を品質レビューや顧客体験分析に活用でき、調査チームは大量のインタビューや通話を整理できます。得られたシグナルは既存のレビューまたはレポート作成ワークフローに組み込み、自動解釈が顧客や業務上の意思決定に影響し得る場合は人による確認を行うべきです。
音声生成
ライブ対話中に音声応答が必要なカスタマーサポート、営業、医療、金融のアプリケーション向けに合成音声をストリーミングします。チームは試用環境で音声を聴き比べ、REST または WebSocket API を通じて Aura-2 に接続し、配信遅延が対話設計に適しているかを測定できます。本番評価では、音声と言語の適合性、ワークロード量、エンドポイントの同時実行数、想定する応答長に応じた利用コストも検討する必要があります。
長所
- 最初の $200 クレジットにより、利用課金が始まる前に統合をテストする費用を抑えられます。
- 音声認識、音声合成、音声エージェント、音声インテリジェンスを1社のワークフローで利用できます。
- リアルタイム、バッチ、クラウド、セルフホストの各選択肢が幅広い導入形態に対応します。
短所
- 継続的な無料プランはなく、最初の $200 利用クレジットを使い切ると課金が始まります。
- 同時実行数の上限は REST、WebSocket、Whisper Cloud、製品エンドポイントごとに異なるため、慎重な処理能力計画が必要です。
- モデルとワークロードの選択が最終費用に影響し、企業向け導入の要件によっては営業担当との協議が必要になる場合があります。
料金プラン
従量課金
- 最低利用契約なし
- クレジットに有効期限なし
- 開始時にクレジットカード不要
- 公開モデルのエンドポイントを利用可能
* 料金情報は参考用です。最新情報はDeepgram公式サイトのお知らせをご確認ください。