mcpField
A
assemblyai-transcription

assemblyai-transcription

github.com/calesthioクリエイティブ・メディア219103 回インストール15 週間前に更新
リポジトリ

assemblyai-transcription について

メディア制作エージェント向けの AssemblyAI 専用スキルです。録音音声とライブ音声の文字起こしを扱い、バッチ、短尺、ストリーミングの各ワークフローで話者分離や字幕などを案内します。

主な機能

  1. 01録音・同期・ストリーミング文字起こし
  2. 02話者分離と識別
  3. 03単語タイムスタンプと字幕出力
  4. 04モデルと機能の選択ガイド
  5. 05文字起こし成果物の管理

活用シーン

  1. 01録画・録音メディアの字幕作成
  2. 02イベント中のライブ字幕生成
  3. 03インタビューの話者分離
  4. 04クリップ選定用の文字起こし準備

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/calesthio/generative-media-skills --skill assemblyai-transcription

インストール後、Claude Code で/assemblyai-transcriptionを入力して読み込まれたか確認します。

同梱ファイルEVAL.md

詳細

メディア制作エージェント向け AssemblyAI 音声文字起こし

制作ジョブで、録音またはライブ音声から信頼性の高い文字起こし成果物が必要な場合は、AssemblyAI を使用してください。特に、文字起こしを字幕、クリップ選定、話者のターン、番組メモ、チャプター分割、翻訳、モデレーション、コンプライアンスレビューに活用する場合に適しています。

これは汎用的な ASR 入門ではなく、プロバイダー向けのスキルとして扱ってください。本番環境のコードを実装する前に、AssemblyAI の最新ドキュメントを確認してください。モデル名、料金、アドオン、レート制限、データ保持設定は頻繁に変更されるためです。以下の情報は、2026-07-10 に AssemblyAI の公式ドキュメントで確認済みです。

まず利用する製品機能を選ぶ

AssemblyAI には、似たように見えても、用途が異なる複数の機能があります。

ドキュメントで確認できる事実：

  • 録音済み STT は、メディアファイル向けの主要なバッチ／非同期 API です。audio_url を送信するか、まずローカルファイルをアップロードし、その後 GET /v2/transcript/{id} をポーリングするか、ウェブフックを使用して、文字起こしのステータスが completed または error になるまで確認します。返される文字起こしには、テキスト、メタデータ、ミリ秒単位のタイムスタンプ付き単語、任意の機能出力が含まれます。出典：https://www.assemblyai.com/docs/pre-recorded-audio/getting-started/transcribe-an-audio-file
  • Sync STT は、ポーリングやセッション管理を伴わず、単一の HTTP リクエストで短いクリップを処理するためのものです。公式ドキュメントでは、80 ms から 120 s までの音声クリップを受け付けると説明されています。短い音声エージェントのターン、手早い QC 用の短い音声、または小規模なアプリ内のやり取りに使用してください。長いポッドキャストやインタビューには使用しないでください。出典：https://www.assemblyai.com/docs/sync-stt/getting-started/transcribe-a-short-audio-file および https://www.assemblyai.com/docs/sync-stt/audio-requirements
  • リアルタイム STT は、WebSocket（wss://streaming.assemblyai.com/v3/ws）経由で音声をストリーミングし、Begin、繰り返し発生する Turn、Termination イベントを送出します。ライブ字幕、音声エージェント、ライブ会議アシスタント、リアルタイム制作モニターに使用してください。単語のタイミングはミリ秒単位です。出典：https://www.assemblyai.com/docs/streaming/getting-started/transcribe-streaming-audio
  • ストリーミングの料金は、送信した音声の量ではなく、WebSocket が開いている時間に対して課金されます。閉じていないセッションは 3 時間後に自動的に閉じられ、セッションの全時間分が課金される場合があります。出典：https://www.assemblyai.com/docs/billing-and-pricing
  • ブラウザーのクライアントには一時的なストリーミングトークンを使用してください。クライアント側のコードでアカウントの API キーを公開しないでください。出典：https://www.assemblyai.com/docs/streaming/getting-started/transcribe-streaming-audio

本番運用上の判断基準：

  • 完成したメディア素材には、録音がライブセッションとして始まった場合でも、録音済み STT を優先してください。非同期モデルではファイル全体のコンテキストを利用できるため、公開用の最終字幕、文字起こしのクリーンアップ、チャプター分割、引用の抽出に適しています。
  • ライブ字幕や音声エージェントには、イベント中にリアルタイム STT を使用し、必要に応じて、公開品質の文字起こしを作成するために、最終録音を後から非同期で再度文字起こししてください。
  • Sync STT は、クリップが意図的に短く、ジョブのライフサイクル管理を伴わずに即時応答が必要な場合にのみ使用してください。

モデルと機能の選択

2026-07-10 に確認した記載事項：

  • 事前収録モデルには、Universal-3.5 Pro と Universal-2 があります。AssemblyAI は、Universal-3.5 Pro を、最も高精度かつ最速の事前収録モデルとして紹介しています。このモデルは 18 言語に対応し、ネイティブのコードスイッチング、コンテキストプロンプト、最大 1,000 個のキータームをサポートします。Universal-2 は 99 言語と最大 200 個のキータームに対応します。出典：https://www.assemblyai.com/docs/getting-started/models
  • ストリーミングモデルには、Universal-3.5 Pro Streaming、Universal-Streaming Multilingual、Universal-Streaming English があります。Universal-3.5 Pro Streaming は 18 言語と最大 100 個のキータームに対応します。Universal-Streaming Multilingual は英語、スペイン語、ポルトガル語、ドイツ語、フランス語、イタリア語に対応し、Universal-Streaming English は英語のみです。出典：https://www.assemblyai.com/docs/getting-started/models
  • Medical Mode は、医療用語に対応するためのアドオン（domain: "medical-v1"）で、別途課金されます。AssemblyAI は、事前収録モデルとストリーミングモデルの両方で、英語、スペイン語、ドイツ語、フランス語に対応すると記載しています。出典：https://www.assemblyai.com/docs/getting-started/models
  • 2026-07-10 時点で、ドキュメントに掲載されていたモデルの価格は、事前収録モデルでは Universal-3.5 Pro が $0.21/hr、Universal-2 が $0.15/hr、ストリーミングモデルでは Universal-3.5 Pro Streaming が $0.45/hr、Universal-Streaming Multilingual が $0.15/hr、Universal-Streaming English が $0.15/hr でした。コストを見積もる前に、必ず最新の価格を再確認してください。出典：https://www.assemblyai.com/docs/getting-started/models および https://www.assemblyai.com/pricing

選択の基準：

  • 精度と話者分離の品質を重視する場合は、最終版の英語または対応言語のインタビュー、ポッドキャスト、ソーシャルクリップ、字幕に Universal-3.5 Pro を使用します。
  • 最新モデルよりも幅広い言語への対応や低コストを重視する場合は、Universal-2 を使用します。
  • リアルタイムのエージェント支援、難しい語彙を含むライブ字幕、多言語のコードスイッチング、話者分離を伴うライブ会議には、ストリーミング版の Universal-3.5 Pro を使用します。
  • 言語の種類が限られており、ポストプロダクションの精度よりもレイテンシを重視する、コスト重視のライブ字幕には、より安価なストリーミングモデルを使用します。
  • 人名、ブランド用語、番組名、専門用語、製品名、スペル、繰り返し使われるフレーズには、キータームまたはプロンプトを追加します。キータームは具体的なものにし、一般的な語彙を大量に詰め込まないでください。

入力と成果物の管理

確認済みの事実：

本番環境でのヒューリスティック：

  • 再現性を確保するため、アップロード前に本番用メディアを音声のみの中間ファイルに正規化します。マスターアーカイブには WAV または FLAC、電話音声に近い音声には 16 kHz モノラル WAV、転送サイズが重要な場合には高品質の圧縮コピーを使用します。元のメディアは別途保管してください。
  • ジョブ台帳には、ソースアセットのパス／ハッシュ、話者／チャンネルに関するメモ、同意状況、リクエスト JSON、リージョンのエンドポイント、モデル、機能フラグ、文字起こし ID、送信時刻、完了時刻、推定コスト、出力ファイルのパス、削除期限を記録します。
  • 一時的な AssemblyAI の URL だけを唯一の信頼できる情報源にしないでください。字幕、編集済み音声、文字起こし JSON、派生した編集成果物は、すべて本番用ストレージにダウンロードしてください。

話者の分離と識別

確認済みの事実：

  • 録音済み音声の話者ダイアライゼーションは、speaker_labels: true で有効にします。結果は utterances として返され、それぞれに話者ラベル、テキスト、ミリ秒単位の開始／終了時刻、信頼度、単語単位の詳細が含まれます。出典：https://www.assemblyai.com/docs/pre-recorded-audio/label-speakers
  • ダイアライゼーションのラベルは、A、B、C などの汎用的な連番です。Speech Understanding で既知の値を指定すると、Speaker Identification によってラベルを既知の名前や役割に対応付けられます。出典：https://www.assemblyai.com/docs/pre-recorded-audio/label-speakers
  • AssemblyAI は、speakers_expected、speaker_options.min_speakers_expected、speaker_options.max_speakers_expected を柔軟な目安ではなく、厳密な制限として説明しています。上限を厳しくしすぎると話者が統合され、上限を高くしすぎると話者が過剰に分割される可能性があります。出典：https://www.assemblyai.com/docs/pre-recorded-audio/label-speakers
  • AssemblyAI は、最良のダイアライゼーション結果を得るため、話者ごとに少なくとも 30 秒間の連続した発話を推奨しています。また、発話の重なり、ノイズ、似た声、短い相づちは精度を低下させると警告しています。出典：https://www.assemblyai.com/docs/pre-recorded-audio/label-speakers
  • ストリーミングはダイアライゼーションとマルチチャンネルのワークフローに対応していますが、これらはリアルタイムの制約があるライブセッション向けの機能であり、最終的な編集時の話者確認の代わりにはなりません。出典：https://www.assemblyai.com/docs/streaming/label-speakers-and-separate-channels
  • 録音済み音声のマルチチャンネル文字起こしでは、チャンネルごとに課金されます。出典：https://www.assemblyai.com/docs/billing-and-pricing

本番環境でのヒューリスティック：

  • ポッドキャストやインタビューのポストプロダクションでは、利用可能な場合は分離されたチャンネルを優先してください。各話者が確実に別々のチャンネルに録音されている場合はマルチチャンネルを使用し、録音がモノラルまたはチャンネルが混在している場合はダイアライゼーションを使用します。
  • 制作メモで正確な話者数がわかっている場合は、その数を設定します。わからない場合は、少し余裕を持たせた妥当な最小値／最大値の範囲を設定してください。
  • キャプション、引用、クリップ、法律または医療に関するメモを公開する前に、必ず人手で話者ラベルを確認してください。

字幕、サブタイトル、タイムスタンプ、編集データ

確認されている事実：

制作上のヒューリスティック：

  • 放送向け字幕では、AssemblyAI の SRT／VTT を最初のタイムコード付きドラフトとして扱い、その後、読み上げ速度、行の長さ、文の区切り、話者ラベル、放送禁止用語のポリシー、社内の大文字表記ルールなどのプラットフォームスタイルに合わせます。
  • ソーシャルメディア向けの焼き込み字幕では、単語タイムスタンプをカラオケ風の表示や強調アニメーションに使用しつつ、コンポジターで細かすぎるタイミングを滑らかにします。逐語録のスタイルを意図的に維持する場合を除き、言いよどみのたびにアニメーションを付けないでください。
  • 編集判断に使う場合は、永続的な文字起こし JSON と、EDL に似た次の項目を含む区間データをエクスポートします：speaker、start_ms、end_ms、text、confidence、source_transcript_id、レビュアーのメモ。

言語、コードスイッチング、翻訳

確認されている事実：

  • 自動言語検出は、主要な言語を特定し、検出された言語と選択された speech_models に基づいてリクエストを振り分けます。レスポンスには language_code と speech_model_used が含まれます。AssemblyAI は、最良の結果を得るために、15～90 秒以上の音声を推奨しています。出典：https://www.assemblyai.com/docs/pre-recorded-audio/language-detection
  • 録音済み音声向けの Universal-3.5 Pro は 18 言語、Universal-2 は 99 言語に対応しています。Universal-3.5 Pro の対応言語以外では、Universal-3.5 Pro から Universal-2 へのフォールバックが行われることを AssemblyAI は説明しています。出典：https://www.assemblyai.com/docs/getting-started/models
  • 翻訳は Speech Understanding の機能です。文字起こしリクエストの一部として実行することも、既存の文字起こしに対する別個のリクエストとして実行することもでき、対象言語をキーとする translated_texts が返されます。出典：https://www.assemblyai.com/docs/speech-understanding/translation
  • 公式ドキュメントでは、LLM Gateway によるリアルタイム翻訳を、ネイティブなストリーミング STT の文字起こし出力フィールドではなく、ストリーミングのワークフローとして紹介しています。出典：https://www.assemblyai.com/docs/streaming/guides/real_time_translation

制作上のヒューリスティック：

  • 多言語の完成字幕では、まず原文言語の字幕を作成して QA を行ってから翻訳します。翻訳された字幕でも改行、読み上げ速度、慣用句が維持されるとは限りません。
  • コードスイッチングを含む音声では、該当する言語に対応するモデルをリクエストし、名前や専門用語のコンテキスト／キーワードを含めます。ファイルが短い場合や言語の信頼度が低い場合は、既知の言語に振り分けるか、別途検出処理を実行します。
  • 吹き替え／ローカライズでは、原文の文字起こし、原文字幕、翻訳文、人間によるローカライズのメモを、それぞれ別の成果物として保持します。

音声理解とガードレール

文字起こしから生成した本番用アーティファクトに、構造化、レビュー、安全性の処理が必要な場合は、音声理解とガードレールを使用してください。これらの出力を基本の文字起こしと混同しないでください。

文書化されている事実：

本番環境でのヒューリスティック：

  • 要約、トピック、キーフレーズ、エンティティ、感情は、公開可能な編集上の確定情報としてではなく、制作者を支援するインデックスとして使用してください。
  • クリップを見つける際は、音声理解のシグナルを文字起こし検索や人によるレビューと組み合わせてください。強い感情、固有表現、トピックの変化から候補を特定できますが、編集者は文脈を確認する必要があります。
  • PIIのワークフローでは、最も早いアーティファクト境界で編集し、要約や翻訳の後にPIIチェックを再実行してください。派生フィールドによって機微なテキストが再び含まれることがあるためです。

Webhook、ライフサイクル、スケール、リトライ

文書に記載された事実：

  • 録音済みジョブでは webhook_url と、任意のWebhook認証ヘッダー名／値を指定できます。コールバックでは、文字起こしIDと最終ステータス（completed または error）が通知されます。出典：https://www.assemblyai.com/docs/api-reference/transcripts/submit および https://www.assemblyai.com/docs/pre-recorded-audio/webhooks
  • 録音済み文字起こしのレート制限は、並列処理できるジョブ数に基づきます。無料アカウントでは5件から、支払い済みアカウントでは200件以上から開始します。超過分のジョブはFIFO方式でキューに入れられます。すべてのエンドポイントに対するHTTP APIリクエストは5分あたり20,000件に制限されており、超過するとHTTP 403が返されます。レート制限はプロジェクト単位ではなく、アカウント単位です。出典：https://www.assemblyai.com/docs/pre-recorded-audio/rate-limits
  • リアルタイムSTTの支払い済みアカウントは、開いているセッション数のハード上限ではなく、1分あたりに開始できる新しいストリーミングセッション数による制限を受けます。2026-07-10時点で文書に記載されていたデフォルト値は、無料アカウントで1分あたり5セッション、支払い済みアカウントで1分あたり100セッション以上です。使用量が現在の制限の70％以上に達すると、自動的にスケールアップされます。現在のストリーミング制限を超えると、WebSocketが閉じられます。出典：https://www.assemblyai.com/docs/streaming/rate-limits
  • LLM GatewayとSpeech Understandingのレート制限は、モデル／サービスごとに設定されており、超過すると 429 が返されます。レスポンスヘッダーにレート制限の詳細が含まれる場合があります。出典：https://www.assemblyai.com/docs/llm-gateway/rate-limits
  • 失敗した文字起こしには料金が発生しません。録音済み文字起こしの料金は秒単位で正確に按分され、アドオンには別途料金が発生します。出典：https://www.assemblyai.com/docs/billing-and-pricing

本番環境での目安：

  • 大量のジョブでは、間隔を詰めたポーリングよりWebhookを優先してください。ジッターを加え、間隔を徐々に広げるポーリングのフォールバックも用意してください。
  • 大規模なインポートの前に、代表的なサンプルで試験運用してください。アーカイブ全体を送信する前に、文字起こしの品質、機能フラグ、Webhook、ストレージ、削除ポリシー、コストを検証してください。
  • 一括ジョブでは、実測した処理時間をもとに送信レートを調整し、処理中のジョブ数をアカウント上限のおよそ80％未満に抑えてください。
  • 文書に記載されたスロットリングを除き、4xx は確認が必要な設定／認証／入力エラーとして扱ってください。5xx は、指数バックオフとデッドレターキューを使ってリトライしてください。

セキュリティ、プライバシー、同意、権利

文書に記載されている事実：

  • AssemblyAI は、保存データを AES 128 または AES-256 で暗号化し、転送中のデータを TLS 1.2 以降で暗号化すると記載しています。出典：https://www.assemblyai.com/docs/data-retention-and-model-training
  • AssemblyAI は、SOC 2 Type 1 および Type 2 の認証を取得していると述べています。出典：https://www.assemblyai.com/docs/data-retention-and-model-training
  • 有料アカウントでは、Data Controls を使用してモデル改善プログラムをオプトアウトし、音声と文字起こしデータの TTL を設定し、BAA を確認して署名できます。無料ユーザーはこれらの管理機能を利用できません。出典：https://www.assemblyai.com/docs/data-controls
  • オプトアウトの変更は、変更後のデータにのみ適用されます。オプトアウトした場合、AssemblyAI は Customer Data または Deidentified Data をモデルの改善やベンチマークに使用しないと述べています。出典：https://www.assemblyai.com/docs/data-controls
  • BAA を締結すると、アカウントは自動的にモデル改善をオプトアウトします。また、AssemblyAI は BAA のもとで提出されたファイルをモデルのトレーニングに使用しないと述べています。出典：https://www.assemblyai.com/docs/data-controls
  • 非同期の本番環境では、最終的な文字起こし成果物の TTL を最短 1 時間に設定できます。TTL または BAA がない場合、既定の削除スケジュールは成果物の種類によって異なります。最終的な文字起こし成果物は 30 日後から削除が始まり、アップロードされた音声は既定で 72 時間後から削除が始まります。メタデータはログ記録や請求のために保持される場合があります。出典：https://www.assemblyai.com/docs/data-retention-and-model-training
  • ストリーミングでは、アカウントがモデルのトレーニングをオプトアウトしている場合、音声と文字起こしデータをゼロデータ保持にすると AssemblyAI は記載しています。ただし、ログ記録や請求のために一部のメタデータは保存されます。出典：https://www.assemblyai.com/docs/data-retention-and-model-training
  • AssemblyAI は、すべての LLM Gateway プロバイダーに対してデータトレーニングをオプトアウトしています。ただし、これは、アカウントがオプトアウトしているか、ほかの文書化された条件が適用されない限り、AssemblyAI が独自のモデルをトレーニングする可能性があるかどうかとは別の事項です。出典：https://www.assemblyai.com/docs/data-retention-and-model-training

本番環境での要件：

  • 文字起こしを行う前に、録音に関する同意と権利を確認してください。音声がすでに限定的な用途で承認されていても、文字起こしによって新たな機密テキスト成果物が作成される可能性があります。
  • 未成年者、健康データ、法的事項、社内会議、未発表製品、または顧客との通話を扱う場合は、明示的なデータ管理を必須としてください。有料アカウント、モデル改善のオプトアウト、適切な TTL、PHI が関わる場合の BAA、および文書化された削除手順が必要です。
  • API キーを共有メディアフォルダー、クライアントアプリ、字幕、ログ、またはプロジェクトファイルに保存しないでください。環境変数またはシークレットマネージャーを使用してください。
  • EU エンドポイントまたはデータレジデンシーを使用する場合は、該当する LLM Gateway や Sync／Streaming の各種機能を含め、すべての手順で正しいエンドポイントを使用していることを確認してください。

本番 QA チェックリスト

字幕、クリップ、編集内容、派生テキストを公開する前に、このチェックリストを実行してください。

  1. ソースの管理：オリジナルメディアが存在し、ハッシュ／パスが記録され、同意／権利の状態が記録されていること。
  2. 音声の準備：チャンネル構成、サンプルレート、クリッピング／ノイズ、クロストーク、長さを確認します。問題のあるファイルはトランスコードし、再確認します。
  3. リクエストの整合性：モデル、言語、キーワード／プロンプト、話者ダイアライゼーション／チャンネルモード、PII／編集、アドオンが本番の目的と一致していること。
  4. ライフサイクル：トランスクリプト ID が保存され、ステータスが完了になっていること、Webhook の欠落やキューに残されたままのジョブがないこと、コストと所要時間が記録されていること。
  5. トランスクリプトのレビュー：固有名詞、頭字語、製品名、数字、医療／法律用語、不明瞭な箇所を確認します。
  6. 話者のレビュー：人間が確認した後に限り、話者ラベルを名前／役割に対応付けます。
  7. 字幕のレビュー：SRT/VTT の改行、読解速度、タイミング、冒とく表現のポリシー、アクセシビリティラベルを確認します。
  8. 派生アーティファクトのレビュー：要約、チャプター、トピック、翻訳、センチメント、エンティティをトランスクリプトの文脈と照らし合わせて確認します。
  9. プライバシーのレビュー：PII の編集がテキスト、単語、発話、要約、翻訳、エンティティ、ファイル名、ログ、編集済み音声のすべてに適用されていることを確認します。
  10. 保持：出力を管理されたストレージにダウンロードし、TTL／削除要件をスケジュール設定します。必要に応じてトランスクリプトの削除をテストします。

例：ポッドキャストのトランスクリプト、字幕、チャプター、クリップインデックス

本番の目的の例：ゲスト 1 名を迎えた 75 分の 2 人ホストのポッドキャストから、公開可能な品質のトランスクリプトパッケージを作成します。

ワークフロー：

  1. 編集マスターから音声を抽出します。オリジナルメディアを保持し、音声認識向けの WAV をエクスポートします。
  2. Universal-3.5 Pro を使って録音済みジョブを送信します。言語が不明な場合は言語検出を使い、speaker_labels: true を設定します。正確な話者交代が不明な場合は、min 2/max 4 などの話者数の範囲を指定し、番組名、ホスト、ゲスト、スポンサー、専門用語のキーワードを指定します。
  3. 完了通知には Webhook を使用し、トランスクリプト ID をプロジェクト台帳に保存します。
  4. JSON 全体、SRT、VTT、段落、発話をダウンロードします。
  5. 段落をグループ化し、LLM Gateway またはドキュメントに記載された要約機能を使ってチャプターを作成してから、編集上の正確性を確認します。
  6. 信頼度の高い引用箇所、センチメント／トピック／キーフレーズのシグナル、プロデューサーのメモをもとにクリップインデックスを作成します。
  7. 話者の対応付け、字幕、名前、タイムスタンプ、スポンサー／法務関連の表現を人間が QA します。

期待される結果：

  • 単語のタイムスタンプを含む、永続的なトランスクリプト JSON。
  • SRT/VTT の字幕ドラフト。
  • 話者ラベル付きの発話リスト。
  • 開始／終了時刻付きのレビュー済みチャプターリスト。
  • ソースのタイムコードと信頼度／レビュー状況を含むクリップ候補。

失敗モード：

  • クロストーク中にゲストとホストのラベルが入れ替わります。
  • スポンサー名／製品名にキーワードの指定または手動修正が必要です。
  • SRT の改行は利用できますが、対象プラットフォーム向けにスタイル設定されていません。
  • 要約が不確実性を誇張したり、曖昧さをならしたりします。

バリエーション：

  • 各話者に個別のチャンネルがある場合は、チャンネルごとの課金を考慮したうえで、話者ダイアライゼーションの代わりにマルチチャンネルを使います。
  • エピソードに機微なリスナーの通話が含まれる場合は、PII の編集を有効にし、派生した要約／エンティティを別途確認します。
  • ポッドキャストが多言語の場合は、一括処理の前にサンプルを使ってモデル／言語の経路を明示的にテストします。

例：ライブイベントの字幕と、後から公開するアクセシブルな字幕

本番環境での利用例：ライブウェビナーに字幕を付け、後から修正した字幕を公開します。

ワークフロー：

  1. イベント中は、マイクまたはミキサーの出力を Universal-3.5 Pro Streaming を使用する Real-time STT にストリーミングします。適切な sample_rate、登壇者名や製品用語のキーターム、終了時の終了メッセージを設定します。
  2. UX が途中経過テキストを想定して設計されていない限り、公開字幕には確定したターンのみを表示します。
  3. セッションの開始・終了、セッション時間、WebSocket の切断を記録します。
  4. イベント後、公開用字幕を作成するため、収録済み音声の文字起こしを pre-recorded STT で行います。
  5. SRT/VTT をエクスポートし、動画に対して字幕の品質確認を行います。タイミング、読み上げ速度、行の長さ、名前、頭字語、アクセシビリティラベルを確認します。

期待される結果：

  • イベント中の低遅延ライブ字幕。
  • 完成した録音から作成された、より高品質な最終字幕。
  • ストリーミングのセッション時間と非同期音声の時間を区別したコスト記録。

失敗例：

  • イベント後も WebSocket を開いたままにして、コストが増加する。
  • 途中経過の字幕に不安定なテキストが表示される。
  • キータームに含まれていない用語がライブの文字起こしから抜ける。
  • 最終的な非同期字幕がライブ字幕と異なる。最終ファイルを正規版として使用してください。

バリエーション：

  • ブラウザーで音声をキャプチャする場合は、サーバー側で一時的なストリーミングトークンを生成します。
  • 多言語イベントでは、モデルの言語サポートを確認し、ライブ配信前にコードスイッチングをテストします。
  • 医療関連または規制対象のイベントでは、有料アカウントのデータ管理機能を使用し、必要に応じて BAA を締結し、保持設定を明確にします。

例：個人情報を伏せたインタビュー確認用パッケージ

本番環境での利用例：編集者に公開する個人情報を最小限に抑えながら、顧客インタビューを文字起こしします。

ワークフロー：

  1. 同意を確認し、インタビューで許可されている用途を定めます。
  2. 氏名、電話番号、メールアドレス、住所、アカウント識別子など、該当するポリシーを設定して、個人情報の編集を有効にします。
  3. 編集者が音声を聞く必要がある場合は、編集済み音声を有効にし、24 時間の利用可能期間内にダウンロードします。
  4. 制限付きのレビュアーが元のテキストを本当に必要としている場合を除き、redact_pii_return_unredacted を有効にしないでください。
  5. 後続の派生データに個人情報が含まれる可能性を検討してから、要約やエンティティ抽出を実行します。派生フィールドは個別に確認してください。
  6. 編集済みの成果物は通常の編集用ワークスペースに保存し、未編集の成果物がある場合は、TTL と削除を追跡しながら制限付きストレージに保存します。

期待される結果：

  • 幅広い編集レビューに使用できる、個人情報を伏せた文字起こしテキスト。
  • クリップ選定に使える、任意の編集済み音声ファイル。
  • 文字起こし ID、個人情報ポリシー、削除期限を含む、制限付きの監査証跡。

失敗例：

  • メインの text フィールドでは個人情報が伏せられていても、エンティティ抽出、要約、翻訳の出力に個人情報が残る。
  • チームがダウンロードする前に、編集済み音声のリンクが期限切れになる。
  • 過剰な編集で引用が使えなくなる。すべてを公開するのではなく、制限付きの未編集レビューで対処してください。

バリエーション：

  • 公開するお客様の声では、自動編集後に法務・プライバシー担当者による確認を行います。
  • 内部分析では、集計メモのみを保持し、承認済みの保持期間が過ぎたら元の文字起こしを削除します。

ソース一覧

2026-07-10 に確認した公式ソース：

コメント

Markdown 対応