deepgram/deepgram-python-sdk

何を解決するか

このSDKは、DeepgramのAIモデル（音声認識、音声合成、言語理解）にアクセスするための統一されたPythonインターフェースを提供します。リアルタイム音声ストリーミング、ファイルベースの字幕作成、会話型AIエージェントのPythonアプリケーションへの統合を簡素化します。

仕組み

SDKは、DeepgramのAPIとやり取りするための同期および非同期クライアント（DeepgramClient と AsyncDeepgramClient）を提供しています。複数のモダリティをサポートしています：

• 音声認識（Listen）： WebSocketを介して音声ファイルまたはリアルタイムストリームを字幕化します。
• 音声合成（Speak）： テキスト入力から自然な音声を生成します。
• テキストインテリジェンス（Read）： 感情、トピック、意図を分析します。
• 会話型AI（Agent）： GPT-4o-miniなどのLLMを活用した思考プロセスを含む、音声認識、思考、音声出力の完全なループをオーガナイズし、インタラクティブな音声エージェントを作成します。

対象ユーザー

音声対応アプリケーション、リアルタイム字幕サービス、AI音声エージェントを開発しており、DeepgramのAIサービス用に堅牢で型安全なPythonラッパーが必要な開発者。

特徴

• リアルタイムストリーミング： 低遅延音声認識および音声エージェント用のWebSocket接続をサポートします。
• エージェントフレームワーク： 字幕作成、LLMによる推論、音声合成を組み合わせた会話型AIエージェントの作成を内蔵サポートしています。
• 柔軟な認証： APIキーと一時的なアクセストークンの両方をサポートします。
• カスタムトランスポート： デフォルトのWebSocketトランスポートをカスタム実装に置き換えることが可能で、AWS SageMakerエンドポイント用の特別なトランスポートも利用できます。