Shisaは、独自開発のAIモデルを使ったリアルタイム音声認識APIの提供を、2026年9月1日に開始しました。
会議の文字起こしやコールセンター、ライブ配信など、即時性が求められる用途に対応します。
日本国内のサーバーとインフラでデータ処理を完結し、料金は1時間あたり0.45米ドルからです。
記事の概要
リアルタイム音声認識APIのサービス名は「Shisa Real-time ASR API」です。
日本語音声認識ベンチマークSPREDSで、文字誤り率（CER）5.0％を記録しました。
エンジン処理レイテンシは約38.6ミリ秒で、発話終了から結果確定までは1接続で約254ミリ秒です。
10同時接続時の発話終了から結果確定までは、約499ミリ秒となりました。
料金は1時間あたり0.45米ドルで、月間2,000時間のコミット時は0.40米ドルです。
月間10,000時間では0.36米ドルとなり、50,000時間以上は個別見積もりです。
日本語と英語に対応し、関西弁などの方言や、企業名・専門用語を登録できるカスタム用語集も利用できます。
医療や法律など専門用語が多い分野への利用も想定しています。
記事のポイント
- 国内インフラで処理： 音声データを含むすべてのデータ処理を、日本国内のサーバーとインフラ上で完結します。
- 実測した遅延性能： 100回以上のテストで、発話終了から結果確定まで1接続時約254ミリ秒を記録しました。
- 方言と用語集に対応： 関西弁などの方言に対応し、企業名や専門用語を登録できるカスタム用語集を備えます。
このニュースがもたらす影響
- 導入を検討する企業： 音声データを国内で扱えるため、データの国外移転を避けたい企業は導入候補にしやすくなります。実運用前に同時接続数と用語集の効果を検証する必要があります。
- 音声AIの競合： 日本語の方言対応やカスタム用語集、利用量に応じた単価設定が比較軸になりそうです。競合各社には、実環境での遅延や専門領域での認識精度を示すことが求められそうです。
- 音声サービス開発者： 発話終了から結果確定までの時間を踏まえ、会議や配信など即時性が必要な機能へ組み込みやすくなる可能性があります。接続数の増加時に応答時間がどう変わるかを設計段階で確認する必要があります。
このニュースの背景
音声データを含む全データ処理を日本国内のサーバーとインフラで完結させ、国外移転への懸念を抑えやすくしています。
日本語音声認識ベンチマークでの精度に加え、発話終了から結果確定までの実測値を示し、リアルタイム用途での性能を具体化しています。
関西弁などの方言と企業名・専門用語を登録できるカスタム用語集に対応し、日本語特有の表現や業界用語を含む利用を想定しています。
利用時間に応じて単価が下がる料金体系を設け、大量の音声処理を行う企業も利用規模に応じて費用を見積もれる形にしています。
関連するニュース
- PKSHA Technologyは、複数の音声AIエンジンを単一APIで切り替える「PKSHA Voice KIT」を提供開始しました。
- SBI証券が生成AIチャットを開始し、金融問い合わせへの24時間対応と顧客の自己解決を支援します。
- スパイクスタジオが通話内容を解析し、必要な資料や顧客別ルールを示す電話対応支援AIを始めました。
詳しい記事の内容はこちらから（引用元）
AKA Virtual Inc.のプレスリリース（2026年9月16日 15時00分）Shisa AI、高精度・超低遅延…
https://prtimes.jp/main/html/rd/p/000000043.000111581.html