ElevenLabs Scribe v2 Realtimeによるライブミーティング文字起こし

通話後の文字起こしは当たり前の機能になっています。リアルタイムキャプション、ミーティング中のコパイロット、通話中に回答するエージェントなど、より高度なプロダクトには、人が話している最中にテキストが必要です。ElevenLabsのScribe v2 Realtimeは、90以上の言語、最大32名の話者に対応した話者分離機能付きで、約150msの遅延でストリーミング音声テキスト変換を実現します。

もう一つの重要な要素はライブミーティングの音声です。streaming_configを使用したミーティングbotがそれを提供します。botはZoom、Google Meet、またはMicrosoft Teamsの通話に参加し、ElevenLabsをストリーミング文字起こしエンジンとして使用しながら、リアルタイムでエンドポイントにストリーミングします。

ステップ1: キーを取得する

• Meeting BaaS: auth.meetingbaas.com でセルフサービス登録 — 最初の8時間の録画は無料です。
• ElevenLabs: ご自身のElevenLabsアカウントからAPI keyを取得してください。

ステップ2: ライブ文字起こし付きでbotを送信する

curl -X POST "https://api.meetingbaas.com/v2/bots" \
     -H "Content-Type: application/json" \
     -H "x-meeting-baas-api-key: $API_KEY" \
     -d '{
           "meeting_url": "https://us02web.zoom.us/j/1234567890",
           "bot_name": "Live Captions Bot",
           "streaming_config": {
             "mode": "transcription",
             "output_url": "wss://your-app.example.com/live-transcript",
             "audio_frequency": 24000
           },
           "transcription_config": {
             "provider": "elevenlabs",
             "api_key": "'"$ELEVENLABS_API_KEY"'"
           }
         }'

ミーティング実行中、output_url のWebSocketがライブ文字起こしストリームを受信します。独自のストリーミングモデルを実行するために生の音声が必要ですか？mode を"audio" に設定すると、16、24、32、または48kHzでミーティングの音声を取得できます。

ステップ3: ライブ体験を構築する

ミーティング中にテキストが届くことで、以下が可能になります：

• ライブキャプション: 通話中にプロダクト内でレンダリング
• ミーティング内コパイロット: トピックが出るたびに回答、ドキュメント、CRMのコンテキストを提示
• リアルタイムコンプライアンス: 通話終了の数分前に規制フレーズをフラグ
• スピーキングエージェント: input_url を通じて音声をストリームバックし、botが発話 — インタラクティブなミーティングエージェントのフルループ

標準的なパイプラインは並行して実行されます：ミーティング後にwebhookで完全な録画、通話後の文字起こし、メタデータが届きます。

コストについて

ストリーミングは、1時間あたり1 tokenの録画レートに加えて、1方向あたり1時間につき0.10 tokenが追加されます。ライブ文字起こしと録画を行うミーティングの1時間あたりのコストは1.5 token未満（token packに応じて$0.53〜0.75）です。ご自身のkeyを使用した場合のElevenLabsの利用料金は、ElevenLabsから直接請求されます。

次のステップ

• リアルタイムミーティング文字起こし＆ストリーミング — ストリーミングAPIページ
• ElevenLabsミーティング文字起こし
• すべての文字起こしプロバイダー
• APIドキュメント