AssemblyAI

AssemblyAIは、開発者向けの音声AIインフラプラットフォームです。音声認識、リアルタイム文字起こし、音声エージェント、トランスクリプト理解、ガードレール、LLM Gatewayを提供します。

AssemblyAIとは

AssemblyAIは、音声を文字起こしし、理解し、アクションにつなげる製品を構築する開発者向けの音声AIインフラプラットフォームです。APIは、録音済み音声の文字起こし、ライブ文字起こし、音声エージェント、トランスクリプトの拡張、コンテンツのガードレール、そして音声ワークフローにおける大規模言語モデルへのアクセスをカバーしています。

サイト上では、この製品は単一のアプリではなく、本番環境向けのAPI群として紹介されています。料金とドキュメントは、事前収録音声、ストリーミングセッション、音声エージェント、話者分離、医療モード、マスキングなどの追加機能といった特定のワークフローごとに整理されています。

主な機能

事前収録音声の文字起こし

録音済みの音声や動画に対する事前収録の音声認識を提供し、料金は送信された音声の時間に基づいて決まります。

リアルタイム文字起こし

通話、字幕、音声エージェント、エージェント支援向けのライブ文字起こしをサポートし、料金はWebSocketセッションが開いている時間に基づいて課金されます。

Voice Agent API

STT、LLM推論、TTS、ターン検出、割り込み処理、ツール呼び出しを1つのWebSocketにまとめ、音声対話エージェントのワークフローを実現します。

音声理解の追加機能

話者識別、翻訳、カスタム書式設定、エンティティ検出、感情分析、トピック検出、要約など、構造化されたトランスクリプト機能を追加します。

ガードレール

トランスクリプトおよび音声ワークフロー向けのガードレールとして、PIIのマスキング、不適切表現のフィルタリング、コンテンツモデレーションを提供します。

LLM Gateway

Anthropic、OpenAI、Googleのモデルに対して、トークン単位の料金設定とプロンプトキャッシュ対応を備えたLLM Gatewayを提供します。

主なユースケース

録音メディアのバッチ文字起こし
事前収録APIを使って、録音済みのインタビュー、会議、ポッドキャスト、その他の音声/動画ファイルをトランスクリプトに変換し、必要に応じて話者識別、翻訳、マスキングを追加します。
ライブ音声処理
リアルタイムAPIを使って、通話体験、字幕、音声エージェント、エージェント支援ワークフロー向けにライブ会話を文字起こしします。課金はセッション時間に基づきます。
会話型音声エージェント
Voice Agent APIで音声認識、言語モデル推論、ターン処理、割り込み処理、TTSを組み合わせ、1つのWebSocketで音声対話エージェントを構築します。
トランスクリプトの拡張と分析
エンティティ検出、感情分析、トピック検出、要約、カスタム書式設定などの機能で、トランスクリプトから構造化されたインサイトを抽出します。
安全性とコンプライアンスのワークフロー
不適切表現のフィルタリング、PII音声マスキング、PIIテキストマスキング、コンテンツモデレーションなどのガードレールを音声およびトランスクリプトのパイプラインに適用します。

Pros and Cons

Pros

文字起こしからエージェントのアクションまで、音声ワークフロー全体を1つのプラットフォームでカバーします。
非同期とリアルタイムの両方のユースケースを、別々のモデルと明確な課金ルールでサポートします。
トランスクリプトの拡張、マスキング、医療用途向けの追加機能を提供します。
EUデータレジデンシーを米国と同じ価格で利用できます。
クレジットカード不要で50ドル分の無料クレジットが含まれます。

Cons

料金は利用量ベースで、ワークフロー、モデル、追加機能によって異なるため、コストを見積もるには該当する料金表を確認する必要があります。
ストリーミングは音声時間ではなくセッション継続時間で課金されるため、アイドル状態の接続時間も対象になります。
Auto ChaptersやUniversal-2でのSummarization、特定のストリーミング制限など、いくつかのトランスクリプト機能はモデル依存または非推奨です。

FAQ

AssemblyAIは何をするサービスですか？

AssemblyAIは、事前収録の音声認識、リアルタイム文字起こし、Voice Agent API、Speech Understanding、Guardrails、LLM GatewayのAPIを提供します。音声を文字起こしし、理解し、アクションにつなげる製品を構築する開発者向けのサービスとして位置づけられています。

AssemblyAIはどのような人向けですか？

ホームページでは、本番環境向けのAPI、スケーラブルな音声インフラ、音声およびスピーチアプリケーション向けの開発者フレンドリーなワークフローを必要とする開発者やチーム向けのプラットフォームとして説明されています。

AssemblyAIの料金体系はどのようになっていますか？

料金ページでは、事前収録の文字起こしは送信された音声の時間ごと、ストリーミングはセッション継続時間ごと、Voice Agent APIは1時間あたり4.50ドル、または1分あたり0.075ドルで課金されると記載されています。

無料枠やトライアルはありますか？

はい。料金ページによると、クレジットカード不要で50ドル分の無料クレジットが利用でき、無料枠と従量課金アカウントでは同時実行数が異なると記載されています。

AssemblyAIはEUデータレジデンシーを提供していますか？

料金ページでは、EUリージョンは米国と同じ価格で、`api.eu.assemblyai.com` と `streaming.eu.assemblyai.com` を通じて追加料金なしのGDPR準拠データレジデンシーにアクセスできると説明されています。

Quick Facts

カテゴリ: 音声AIインフラ
主なユーザー: 開発者とプロダクトチーム
主要ワークフロー: 音声認識、リアルタイム文字起こし、音声エージェント、トランスクリプト理解
ソースドメイン: assemblyai.com
料金モデル: 従量課金
無料クレジット: 50ドル、クレジットカード不要