Parrot Speech-to-text API とは

Parrot Speech-to-text API は、RinggAI が開発したプロプライエタリな音声認識モデルで、本番環境向けの音声エージェントやリアルタイム文字起こしワークフロー向けに構築されています。低遅延のストリーミング推論を実現し、ヒンディー語、英語、およびコードミックス音声（インドにおける実際の音声対話で主流となる、複数の言語が混在した会話）を強力にサポートします。このモデルは、標準的なストリーミング遅延 60ms を達成し、ノイズの多い音声やコードミックス音声を含む複数のベンチマークデータセットにおいて、Deepgram や Sarvam などの代替サービスを上回る性能を発揮します。

対象ユーザー

• 音声エージェント開発者 — 高速で信頼性の高いヒンディー語・英語の文字起こしをリアルタイムで必要とする、AI 搭載アシスタントを構築する方。
• コンタクトセンター運営者 — ヒンディー語が多用される環境において、通話分析、品質管理、エージェントコーチングのために音声認識を導入する方。
• 多言語音声製品に取り組むプロダクトチーム — コードミックス音声を正確に処理する必要がある、音声検索、字幕作成、会議インテリジェンスツールを開発する方。

主な機能

低遅延ストリーミング推論

Parrot STT V1 は、標準的なストリーミング遅延 60ms を実現し、リアルタイム音声製品や会話型 AI エージェントに適しています。このモデルは、音声が到着するたびに処理するように設計されており、自然なターンテイキングと応答性の高い音声インターフェースを可能にします。

ヒンディー語・英語のコードミックス認識

このモデルは、インドの多くのビジネスおよび消費者向けコンテキストで支配的なコミュニケーション手段である、ヒンディー語・英語のコードミックス音声向けに特別に構築されています。Kathbath や Common Voice などのベンチマークにおいて、ElevenLabs、Deepgram、Sarvam を上回る性能を示し、全体的な単語誤り率は 7.27% で、次点の代替サービスが 8.94% であるのに対し、優れた結果を達成しています。

ノイズの多い音声に対する本番品質の精度

Parrot は、Kathbath ノイズデータセットにおいて 13.09% の WER を達成し、Deepgram (15.93%) や Sarvam (17.53%) を大幅に下回っています。これにより、バックグラウンドノイズが避けられないコンタクトセンター、フィールドレコーディング、その他の環境において、優れた選択肢となります。

Pipecat 互換の Python SDK

Ringg は、PyPI の ringglabs パッケージから入手可能な Python SDK を提供しています。この SDK は、内蔵の VAD イベントを使用して Pipecat ツールキットと統合されるため、最新の音声エージェントオーケストレーションパイプラインに簡単に組み込むことができます。

特筆すべき点

Parrot は、主要な音声認識プロバイダーの中で最も低い全体的な単語誤り率 7.27% を達成しながら、60ms のストリーミング遅延を維持しています。

この精度と速度の組み合わせは稀です。ほとんどのプロバイダーは、どちらかを犠牲にしています。Parrot は、全体的な WER で ElevenLabs、Deepgram、Sarvam を上回りながら、リアルタイム音声エージェントに十分な低遅延を維持しています。また、このモデルはプロプライエタリかつプライベートであるため、お客様の音声データと文字起こしは RinggAI の管理されたデプロイメント環境内に留まります。これは、機密性の高い会話を扱う企業にとって重要な考慮事項です。

こんな方におすすめ

ノイズの多い環境やコードミックス環境において、リアルタイムで信頼性の高いヒンディー語・英語の文字起こしを必要とする音声製品を構築している方。Parrot は、精度と遅延の両方が重要となるコンタクトセンター、AI エージェント、会議インテリジェンスツールに最適です。現在、ヒンディー語の多いワークロードで Deepgram や Sarvam を使用している場合、ベンチマークデータは Parrot が顕著に優れた結果をもたらす可能性があることを示しています。本番環境での利用には RinggAI への直接の問い合わせが必要ですが、ringg.ai のプレイグラウンドでモデルを評価することができます。