本文へスキップ
AWS DAILY
重要度:通常新機能対応不要

Amazon Transcribe が同期型文字起こし API「TranscribeAudio」を発表、1 回のリクエストで完結

公開
更新

概要

Amazon Transcribe に同期型文字起こし API「TranscribeAudio」が追加されました。音声ファイルを 1 回のリクエストで送信し、同じレスポンスで完全なトランスクリプトを受け取れるため、ジョブ管理やポーリングが不要になります。

変更内容

  • 同期型文字起こし API「TranscribeAudio」が新たに利用可能になった。
  • ジョブの開始・ステータスのポーリング・接続管理が不要になった。
  • 音声をインライン(最大 25 MB)または Amazon S3(最大 500 MB)で送信できる。
  • 対応フォーマットは WAV、MP3、FLAC、M4A、MP4、Ogg、WebM、AMR で、長さは 0.5 秒から 1 時間まで対応する。
  • ワードレベルのタイムスタンプ、スマートフォーマット、自動言語識別、話者分離、チャンネル識別(最大 2 チャンネル)、カスタムボキャブラリー、PII 編集が利用できる。
  • カスタムボキャブラリーとボキャブラリーフィルタリングはセットアップ不要でリクエスト内に直接指定できる。
  • 料金は音声 1 分あたり $0.0070 で秒単位の課金となり、話者分離・言語識別・カスタムボキャブラリー・チャンネル識別が含まれる。
  • PII 編集はアドオンとして提供される。

公式発表で確認できる事実

  • Amazon Transcribe に同期型文字起こし API「TranscribeAudio」が追加された。
  • 音声ファイルを 1 回のリクエストで送信し、同じレスポンスでトランスクリプト全体を受け取れる。
  • ジョブの開始、ステータスのポーリング、接続管理が不要。
  • 音声の送信方法はインライン(最大 25 MB)または Amazon S3(最大 500 MB)の 2 種類。
  • 対応フォーマット: WAV、MP3、FLAC、M4A、MP4、Ogg、WebM、AMR。
  • 対応する音声の長さ: 0.5 秒から 1 時間。
  • 利用できる機能:
    • ワードレベルのタイムスタンプ
    • 数値・日付・通貨・電話番号のスマートフォーマット
    • 自動言語識別(複数言語が混在する音声を含む)
    • 話者分離(Speaker diarization)
    • チャンネル識別(最大 2 チャンネル)
    • カスタムボキャブラリーおよびボキャブラリーフィルタリング(リクエスト内に直接指定可能、事前セットアップ不要)
    • PII 編集(アドオン)
  • トランスクリプトはレスポンスで返すか、指定した S3 の場所に書き込むかを選択できる。
  • 料金は音声 1 分あたり $0.0070、秒単位課金。話者分離・言語識別・カスタムボキャブラリー・チャンネル識別は料金に含まれる。
  • 2 チャンネル音声はファイルの長さに対して 1 回だけ課金される。
  • 対応言語: English、Spanish、French、Italian、German、Japanese、Portuguese、Korean、Chinese(Simplified、Traditional、Hong Kong)。
  • 利用可能なリージョン: US East (N. Virginia, Ohio)、US West (Oregon)、Canada (Central)、Europe (Ireland, London, Frankfurt)、Asia Pacific (Mumbai, Singapore, Sydney, Tokyo, Seoul)、South America (São Paulo)。
  • PII 編集は South America (São Paulo) を除く上記すべてのリージョンで利用可能。

当サイトの考察

従来の非同期 API ではジョブを作成してステータスをポーリングする実装が必要でしたが、同期 API の追加によりリクエスト・レスポンスの単純なフローで文字起こしを完結できるようになります。ボイスアシスタントやコールセンターのエージェントアシストなど、低レイテンシーが求められるユースケースへの適用が容易になると考えられます。カスタムボキャブラリーをリクエスト内に直接埋め込める点も、事前準備なしに素早く試せる利点です。

確認できていない事項

  • 東京リージョン(Asia Pacific (Tokyo))での提供は資料に記載がありますが、大阪リージョンでの提供可否は資料から確認できません。
  • PII 編集のアドオン料金の具体的な金額は資料に記載されていません。
  • 本 API の一般提供(GA)開始日は資料から確認できません。
  • 東京(ap-northeast-1)と大阪(ap-northeast-3)での提供は、公式記事からは確認できていません。

この記事は、AWS 公式の発表をもとに AI が作成し、自動で公開しています。

既存環境への影響

ボイスアシスタントやエージェントアシストツール、オンデマンドのクリップ文字起こし機能など、インタラクティブなアプリケーションに音声テキスト変換を簡単に組み込めるようになります。既存の非同期 API と異なりポーリングが不要なため、実装がシンプルになります。2 チャンネル音声はファイルの長さに対して 1 回だけ課金されます。PII 編集は South America (São Paulo) を除くすべての対応リージョンで利用できます。

対応の必要性

対応不要

新しい API の追加であり、既存の非同期 API には影響がありません。新機能を活用したい場合は任意で導入を検討してください。

利用可能リージョン

東京(ap-northeast-1)
未確認
大阪(ap-northeast-3)
未確認

公式記事に東京(ap-northeast-1)と大阪(ap-northeast-3)の記載がないため、未確認としています。

AWS 公式情報

当サイトの記事は公式情報をもとに編集したものです。正確な内容は必ず AWS 公式情報をご確認ください。