AssemblyAI

AssemblyAIのUniversal-2モデルは、LibriSpeech、Earnings-21、CallHomeなどの主要な業界ベンチマークで常にトップクラスのパフォーマンスを記録しています。ノイズの多い環境、強いアクセント、速い発話など困難な音声においても多くの競合を上回ります。医療・法律・金融などの専門分野の音声については、ドメイン固有の用語精度をさらに向上させるカスタム語彙ブーストもサポートしています。

はい、AssemblyAIはWebSocket APIによるリアルタイムストリーミング文字起こしを提供しています。音声フレームをストリーミングすると、非常に低遅延（最終的な単語で通常500ms未満）で部分的および最終的な文字起こし結果を受け取れます。ライブキャプション、音声制御アプリ、会議文字起こしツール、リアルタイム顧客サービス分析などに適しています。

LeMUR（Language Model Universal Runtime）は、文字起こしされた音声の上に大規模言語モデルを適用できるAssemblyAIの機能です。音声を文字起こしした後、文字起こしIDとプロンプト（例：「この会議を要約して」や「アクションアイテムを一覧にして」）をLeMURに渡すだけです。LeMURが音声コンテンツに根ざしたLLMの複雑な処理を担い、正確で文脈を踏まえた応答を返します。

AssemblyAIのPII編集は、文字起こしから個人識別情報を自動的に検出して削除します。氏名、住所、電話番号、社会保障番号、クレジットカード番号などを識別し、テキスト出力では[PERSON_NAME]や[PHONE_NUMBER]などのラベルに置き換えます。オプションでPIIセグメントにビープ音を適用した音声出力も作成でき、HIPAA、GDPR、金融コンプライアンスのユースケースに適しています。

AssemblyAIは100時間の文字起こしを含む無料プランを提供しており、ほとんどの開発者が十分に構築・テストできます。無料プラン以降は音声1時間あたり約$0.37から始まる従量課金制となります。LeMUR、リアルタイムストリーミング、音声インテリジェンス機能は別途課金されます。月額最低料金や長期契約はなく、あらゆる規模のプロジェクトに利用しやすい設計です。