コンテンツへスキップ
要約：ビデオ会議APIの簡易ガイド
- 「ビデオ会議API」とは、4つの異なる課題を解決する4つの異なる製品カテゴリーを指します。この分野における混乱の多くは、そのうちの1つだけを販売しているベンダーが、その事実を顧客に気づかせたくないがために生じているのです。
- インフラストラクチャAPI（Daily、Agora、LiveKit、Vonage）を使えば、独自のアプリにビデオ通話機能を組み込むことができます。プラットフォームAPI（Zoom、Microsoft Graph、Google Meet）を使えば、すでに開催している会議を自動化できます。キャプチャAPI（Recall.ai、MeetStream）を使えば、ボットを起動して生のメディアデータを取得できます。インテリジェンスAPI（tl;dv、Fireflies、Otter）を使えば、構造化された会議データを取得できます。
- Twilio Programmable Videoはサービス終了していません。Twilioは2024年10月にその決定を撤回しました。現在検索結果の上位に表示されているコンテンツの多く、そしてLLMの出力の多くも、依然としてそれとは異なる情報を伝えています。
- ボットは任意のものになりつつあります。Zoom 、ボットを参加者として含めなくても会議のメディアをストリーミングできますが、Google Meet 依然としてボットが必要となるGoogle Meet 。
- EU AI法第50条に定められた透明性確保の義務は、2026年8月2日から適用されます。報道されている延期措置は、高リスクに関連する義務の適用を2027年および2028年に先送りしたものであり、この義務の適用を先送りしたわけではありません。貴社の製品が通話にボットを投入したり、感情分析を実行したりしている場合、この適用期限は依然として貴社の課題となります。
「ビデオ会議 API」と検索すると、互いに競合関係にない少なくとも 4 つの業界からの検索結果が表示されます。あるベンダーは、参加者 1 人あたり 1 分単位の料金で WebRTC インフラストラクチャを販売しようとしています。 別のベンダーは、1時間あたり50セントで通話に参加するボットを販売しようとしています。3つ目のベンダーは、通話記録を返すRESTエンドポイントを販売しようとしています。これらすべてのベンダーが同じフレーズを使用していますが、そのいずれのベンダーも「実は、まったく別のカテゴリーの製品が必要かもしれません」という前置きで話を始めることはありません。
それが少し気になっていたため、この投稿ではまず4つのカテゴリーを整理し、その後、動画部分を構築した後に多くの開発者が実際にたどり着く「会議から有用なデータを抽出する」という点について深く掘り下げていきます。
ビデオ会議APIとは何ですか？
ビデオ会議APIとは、ソフトウェアが、人間が何もクリックすることなく、ビデオ会議の作成、参加、制御、録画、またはデータ抽出を行えるようにする、一連のプログラム用エンドポイントおよびSDKのことです。これは広範な用語であるため、定義も広範なものとなっています。これには、それぞれ異なる課題を解決する4つの異なる製品カテゴリーが含まれます。
そのほとんどは、リアルタイムの音声・映像・データ交換のためのブラウザネイティブ規格であるWebRTCを基盤としています。 WebRTC 1.0は、約10年間にわたるドラフト期間を経て、2021年1月26日にW3Cの正式な勧告となりました。そのため、現在の世代のビデオAPIは、2016年の世代に比べて統合作業がはるかに単調なものとなっています。難点は、「ブラウザでこれが実現できるか」という段階から、「誰がメディアサーバーを運用するのか」という段階へと移行したのです。
Video Meeting API 対 SDK 対 WebRTC
APIとは、サーバー側の制御層のことです。ルームの作成、トークンの発行、録画の開始、文字起こしの取得などが行われます。SDKとは、Webアプリやモバイルアプリ内に組み込んで、実際に動画を再生したりメディアストリームを処理したりするためのクライアントライブラリのことです。WebRTCは、これら両方が基盤として利用しているプロトコルです。
この実用上の違いは、スコープの設定において重要です。ベンダーがAPIのみを提供し、SDKを提供しない場合、クライアント側を自前で構築することになります。一方、埋め込み可能なiframeが提供される場合は、あらかじめ構築されたUIを利用することになり、レイアウトの制御権を放棄することになります。ほとんどのプロバイダーは、これらを何らかの形で組み合わせて提供しており、マーケティングにおける「API」という言葉は、通常、これらすべてを意味しています。
ビデオ会議APIの4つの種類（そして、あなたに必要なのはどれか）
カテゴリーは4つあります。インフラ、プラットフォーム、キャプチャ、インテリジェンスです。間違ったカテゴリーを選んでしまうと、正しいカテゴリーなら午後だけで完成するものを、3ヶ月もかけて作り上げることになってしまいます。
動画インフラストラクチャAPI：呼び出しを自分で作成する
これは、多くの人がこの言葉を文字通り意味するところです。つまり、製品にビデオ通話機能を組み込むということです。例えば、遠隔医療の診察、個別指導のセッション、買い手と売り手の間のマーケットプレイスでの通話などです。ベンダー側がメディアサーバーを運用し、NATトラバーサルを処理し、クライアント用SDKを提供します。開発者は、ストリームより上の部分をすべて構築します。
提供元：Daily、Agora、LiveKit、Vonage Video API、100ms、Amazon Chime SDK、Zoom SDK、Whereby Embedded。料金は参加者1人あたりの1分単位で計算されます。
プラットフォームAPI：Zoom、Teams、Meetの自動化
動画を制作しているわけではありません。既存のプラットフォーム上ですでに開催されている会議を自動化しているのです。スケジュール管理ツールからZoom を作成したり、Microsoft Graphから録画データを取得したり、Meetのイベントをカレンダーシステムに同期させたりします。
提供元：Zoom API、Microsoft Graph、Google Meet 。通常、有料プラットフォームライセンスを取得すれば無料で利用可能ですが、OAuthスコープおよび管理者の承認が必要となります。
会議録画API：生メディアデータを取得する
自社が主催しておらず、管理もできない会議の音声、動画、および生の議事録を入手したい場合、一般的なアプローチは、ボットを参加者として通話に参加させることです。
ベンダー：Recall.ai、MeetStream、Skribby、MeetingBaaS、およびVexaやAttendeeなどのオープンソース製品。料金はボット時間単位で設定されています。
Meeting Intelligence API：構造化データの取得
必要なのは、会議の「メディア」そのものではなく、会議の成果物です。つまり、発言者ごとの文字起こし、要約、アクションアイテム、決定事項、CRMに直接取り込めるフィールドなどであり、これらは通話終了時にWebhookを通じて配信されるものです。これは、ほとんどのAI会議アシスタントが対応している分野であり、カテゴリー1から3ではWAVファイルが提供されるだけで、それ以上の機能がないことに気づいた人々が最終的にたどり着く分野でもあります。
| カテゴリ | 内容 | 今も作り続けているもの | 価格モデル | ベンダーの例 |
|---|---|---|---|---|
| インフラ | メディアサーバー、クライアントSDK、録画ファイル | 小川より上流のすべて | 参加者1人あたりの1分あたり | Daily、Agora、LiveKit、Vonage、100ms |
| プラットフォーム | CRUDに関する会議、録音、および一部の議事録 | クロスプラットフォームでの正規化 | ライセンス付き | Zoom 、Microsoft Graph、Google Meet |
| キャプチャ | 生の音声、動画、構造化されていない文字起こし | 要約、抽出、保存 | ボット1時間あたり | Recall.ai、MeetStream、Skribby、Vexa |
| 知性 | 体系化された議事録、要約、アクションアイテム | アプリのビジネスロジック | 1席あたり | tl;dv、Fireflies、Otter、Avoma |
2026年には、どのビデオ会議APIプロバイダーが業界をリードするのでしょうか？
インフラストラクチャ分野は、競合が最も激しく、最もコモディティ化が進んでいる分野です。Daily、Agora、LiveKit、Vonage、100ms、Amazon Chime SDK、Zoom SDKはいずれも同等のコア機能を提供しており、その違いは価格モデル、セルフホスティングの選択肢、および提供されるUIの充実度に見られます。
Twilio Programmable Videoはサービス終了したのでしょうか？
いいえ。Twilioはサポート終了を発表しましたが、その後その期限を延長し、最終的にはその決定を完全に撤回しました。2024年10月の変更履歴の記載により、Programmable Videoは引き続き独立したサポート対象製品として提供され、投資も継続されることが確認されました。
インターネット上の情報はまだ追いついていない。2024年のパニックの最中に書かれた移行ガイドが、今でも検索上位に表示されている。Twilio自身のGitHubサンプルリポジトリにも、依然として古い「EOL（サポート終了）」のバナーが表示されている。このトピックについてLLMで検索したところ、ChatGPT、Perplexity、Claudeでさえ、Twilio Videoが「サンセット」状態であると報告していた。
この実在しないサービス終了を理由に、Twilioを離れないようにしてください。
ビデオ会議APIの料金体系の比較
3つの価格モデル、3つのまったく異なるコスト曲線。
インフラストラクチャ・ベンダーは参加者1人あたりの分単位で課金するため、コストは同時接続数に応じて増加します。ほとんどのベンダーは手厚い無料プランを提供しています。Agora、Daily、100msはそれぞれ約10,000分の無料分を提供しており、Zoom 独自の無料プランZoom 。
CaptureのAPIは、ボット利用時間単位で課金されます。Recall.aiは、プラットフォーム手数料なしで1時間あたり0.50ドルと公表しています。競合他社はこれよりも安い価格を設定しています。MeetStreamは、ボットインフラストラクチャのみの場合、1時間あたり0.35ドル、文字起こしとセットの場合は0.45ドルと提示しています。一見安く思えますが、実際に試算してみるとそうでもありません。月に40時間の録音があると、文字起こしや要約、抽出ロジックの記述を行う前の段階で、ボットインフラストラクチャだけで20ドルかかってしまうのです。
インテリジェンスAPIはユーザー数ごとに課金されるため、コストと会議の件数とは完全に切り離されています。
| プロバイダー | カテゴリ | エントリー価格 | 無料プラン | 最適 |
|---|---|---|---|---|
| 毎日 | インフラ | 参加者1人あたりの1分あたり | 約10,000分 | プロトタイプから実用的な通話機能の実現までの最速記録 |
| LiveKit | インフラ | 参加者1人あたりの1分あたり | 1,000分 | セルフホスティングとAIエージェントのワークロード |
| アゴラ | インフラ | 参加者1人あたりの1分あたり | 約10,000分 | グローバル規模と低遅延 |
| Twilio Video | インフラ | 参加者1人あたりの1分あたり | トライアルクレジット | すでにTwilioを利用しているチーム |
| Recall.ai | キャプチャ | 0.50ドル／ボット時間 | 無料で作成 | 最も幅広いプラットフォーム対応 |
| MeetStream | キャプチャ | 0.35ドル／ボット時間 | はい | コスト効率に配慮したボットインフラストラクチャ |
| tl;dv | 知性 | 1席あたり月額18ドル（年間契約） | はい | パイプラインを使用しない構造化出力 |
ビデオ会議APIには、文字起こしやAIによる要約機能が含まれていますか？
基本的には、そうではありません。インフラストラクチャAPIは、生のキャプションストリームと録音ファイルを提供するものであり、一部のサービスでは文字起こしアドオンを販売しています。
文字起こしと「ミーティング・インテリジェンス」の間には、大きな違いがあります。文字起こしとは、タイムスタンプ付きのテキストに過ぎません。一方、ミーティング・インテリジェンスとは、話者ごとに分類されたセグメント、テンプレートに沿った要約、担当者付きのアクションアイテムの抽出、検出された決定事項、およびトピックごとのセグメンテーションを指します。前者を後者に変換するには、長い文字起こしをチャンクに分割し、モデルに処理を指示し、コンテキストウィンドウの制限に対処し、誰もコミットしていないアクションアイテムをモデルが勝手に生成していないかを確認し、その結果をクエリ可能な場所に保存する必要があります。
もし、製品内のデータではなく、自分の通話に関するメモだけが必要なのであれば、APIは全く不適切なツールです。無料のAIメモアプリなら、コードを1行も書かずにその役割を果たしてくれます。APIの利用を検討する意味があるのは、収集したデータを開発中のソフトウェア内に取り込む必要がある場合に限られます。
リアルタイム処理と会議後の処理
リアルタイム文字起こしでは、通話中に部分的な結果がストリーミングされ、ライブキャプションや通話中のコーチングプロンプト、あるいは会話の途中で応答するエージェントなどに活用されます。この方式は、モデルが後の文脈を把握できない状態で処理を行うため、コストが高く、精度も低くなります。
会議終了後のバッチ処理では、通話終了を待ってから、録音データ全体に対して文字起こしと要約処理を実行します。これにより、精度が向上し、コストも削減されます。CRMとの同期、フォローアップ文書の作成、検索可能なアーカイブ（ほとんどのユースケース）においては、バッチ処理が最適な選択肢です。
プログラムで会議の議事録や要約を取得する方法
ルートは3つあります：
- ネイティブプラットフォームのAPIから取得する
- キャプチャボットを展開する
- 両方を処理するミーティングインテリジェンスAPIを呼び出す
どちらが適しているかは、会議プラットフォームを自社で管理しているかどうか、およびどの程度のパイプラインを自社で管理したいかによって異なります。
まだボットは必要ですか？
ますます、Zoom。Zoom「Real-Time Media Streams」は、WebSocketsを介して参加者ごとに音声、動画、文字起こし、チャット、画面共有を提供し、ボットが参加者として参加することはありません。これは2025年6月に開発者向けに一般提供が開始されました。一方、Google Meet 事情Google Meet Meet Media APIは依然として開発者プレビュー段階にあり、参加者の登録要件が厳しいため、本番環境での利用は現実的ではありません。Meetでは、依然としてほとんどの場合、ボットが必要となります。
業界は、反対側からも同じ方向へと動いています。Recall.aiは2026年、通話に参加者を表示させるのではなく、ローカルで録画を行うデスクトップ録画用SDKをリリースしました。tl;dv 、ボットを使用しないデスクトップ録画機能を提供しており、デバイスのオーディオを直接キャプチャすることで、そのマシンから発せられるあらゆる音を記録します。
ネイティブプラットフォームのAPIとその限界
大手3社（マイクロソフト、Zoom、Google）はいずれも、会話の文字起こしやその他の記録データを取得しています。しかし、そこには3つの一貫した落とし穴があります。
第一に、文字起こしデータへのアクセスは、多くの場合、企業のライセンス階層によって制限されているため、この機能が利用可能かどうかは顧客のプランによって決まります。第二に、これらはテナントレベルの連携であり、管理者の承認が必要となるため、本来2日で完了するはずの構築作業が、6週間にわたる調達交渉へと発展してしまいます。第三に、データの保存期間は短く、プラットフォームによっても異なるため、速やかにデータを取得しなければ、データは消えてしまいます。
また、ユーザーがすべて同じプラットフォームを利用しているわけではない場合は、これら3つすべてを、それぞれ異なる認証モデルで個別に用意する必要があります。
自社開発か外部調達か：実際のコスト計算
DIYのパイプラインは、音声の取得 → 保存 → 音声認識の実行 → ダイアリゼーションの処理 → 文字起こしのチャンク分け → LLMへのプロンプト入力 → 構造化された出力の解析 → 検証 → 配信、という流れです。どの段階も解決可能です。これらを組み合わせることで、一つの製品となります。
また、モデルごとの要約の質は異なり、トップのモデルも数ヶ月ごとに入れ替わるため、モデル選定の問題も引き継ぐことになります。同じ原文でGrokとChatGPTを比較したことがある人なら、出力結果のばらつきがベンチマークが示す以上に大きいことを知っているでしょう。購入すれば、その「トレッドミル」の所有権は他者に移ります。自作すれば、再試行や冪等性、そして文字起こしジョブが失敗した午前3時の悪夢も含めて、それを永遠に所有することになります。
「ミーティングデータ」が自社製品であり、そのパイプラインが差別化要因である場合は、自社開発すべきです。「ミーティングデータ」が他の何かの機能の一部である場合は、購入すべきです。
ミーティングデータAPIの導入を決定する前に確認すべき点
4つのポイントがあります。これらは、後々どれほど深刻な被害をもたらすかという観点から、おおよそその深刻度順に並べています。
1. 同意、録音に関する法律、およびボットの開示
これは、多くのベンダーのドキュメントで省略されがちな部分ですが、今月をもって、もはや理論上の話ではなくなりました。EU AI法第50条に定められた透明性確保の義務は2026年8月2日から適用され、欧州委員会は期限の2週間足らず前の2026年7月20日に、最終的な実施ガイドラインを公表しました。
2つの規定は、会議データを用いて構築されたあらゆるものに直接適用されます。第50条(1)は、人と直接やり取りを行うAIシステムについて、その相手がAIとやり取りしていることを認識できるよう設計することを義務付けています。通話に参加するボットはまさにこれに該当します。第50条(3)項では、感情認識システムや生体認証分類システムの導入者に対し、それらのシステムにさらされる人々にその旨を通知することを義務付けており、これには感情分析や音声に基づく話者識別も含まれます。罰則は1,500万ユーロ、または全世界の年間売上高の3％のいずれか高い方が適用されます。
「AI法が延期された」という見出しを目にした方もいるかもしれません。確かに延期されましたが、この部分については延期されていません。「デジタル・オムニバス」改正案により、第III章に基づく高リスクの義務履行期限が12～16カ月先送りされ、独立型の附属書III対象システムについては2026年8月から2027年12月に、製品に組み込まれた附属書I対象システムについては2028年8月にそれぞれ延期されました。
第50条に規定される透明性に関する義務については、変更はありませんでした。唯一の例外は、第50条第2項に規定されるAI生成コンテンツに対する機械可読な表示要件であり、8月2日以前にすでに市場に出回っていたシステムについては、2026年12月2日まで猶予が設けられています。会議インテリジェンスを構築している場合は、開示義務および感情認識に関する通知義務が予定通り適用されます。
さらに、各州の「全当事者同意」に関する法令も加わると、「ベンダーが当社の開示手続きを代行してくれるか」という点が、調達上の課題となる。
2. データの保存場所、保存期間、およびAIの学習
次の4つの質問をして、その回答を文書で受け取ってください：
- 音声データはどこに保存されていますか？
- 顧客データはモデルの学習に使用されていますか？
- 地域を選んでいただけますか？
- プログラムを使って会議を削除することはできますか？
最後の点は重要です。なぜなら、ベンダーがDELETEエンドポイントを公開しているかどうかにかかわらず、GDPRに基づく削除要請は届くからです。
tl;dv例えば、音声tl;dvEU、米国、日本、あるいはお客様が指定したその他の場所に保存され、顧客データがAIモデルの学習に利用されることは一切ありません。
3. 認証、レート制限、およびプランの制限
認証モデルは様々です。プラットフォームAPIにはスコープ付きのOAuth、ほとんどのインテリジェンスAPIにはシンプルなAPIキー、参加トークンを発行するインフラベンダーにはJWTが用いられます。APIキーは導入が迅速ですが、スコープを厳密に設定するのは困難です。
tl;dvによると、APIアクセス、Webhook、MCPサーバーの利用は「Pro」プランで利用可能になります。料金は1ユーザーあたり月額18ドル（年額一括払い）。「Business」プランでは、営業機能に加え、チーム単位でのアクセスやより高度なAI機能が利用可能で、料金は月額29ドル（年額一括払い）です。「Free」プランでは、40以上の言語での無制限の録音・文字起こしが利用できますが、プログラムによるアクセスは利用できません。 どのベンダーを選ぶにしても、同等の機能があるかどうかを確認してください。「APIがある」ことと、「顧客が実際に購入するプランにAPIが含まれている」ことは、まったく別の話だからです。
4. 失敗した場合はどうなるか
ボットが通話に参加できないことがあります。音声品質はまちまちです。訛りのある話し方や同時発話により、マーケティングページには記載されていない形で認識精度が低下します。再試行の仕組み、失敗時にWebhookが送信されるのかそれとも無音になるのか、また通話が切断された際に部分的な文字起こしデータがどうなるのかを確認してください。こうした質問に具体的に答えてくれるベンダーは、通常、大規模な運用実績のある企業です。
tl;dv ：ミーティング・インテリジェンス・レイヤー
tl;dv 、DailyやLiveKitの代替ツールtl;dv 。これは、どちらを選んだとしても、その上に位置するレイヤーです。あるいは、ビデオ機能をまったく構築したことがない場合は、Zoom、Teams、Meetの上に位置するレイヤーとなります。
このAPIは、そのカテゴリが約束する機能、すなわち会議、講演者ごとの文字起こし、AIによるメモ、ハイライトを返します。録画には2つの方法があります。1つは、通話に参加して動画をキャプチャするボットを使用する方法、もう1つは、ボットを使用せずにデスクトップをキャプチャし、あらゆるソースからのデバイス音声を記録する方法です。後者の方法では、Meet Media APIのプレビューに関する問題を完全に回避できます。
キャプチャAPIのルートと比較すると、生のメディア制御機能を犠牲にする代わりに、そうでなければ四半期を費やして構築しなければならなかった構造化されたペイロードを得ることができます。ネイティブのプラットフォームAPIと比較すると、テナントレベルの詳細さを犠牲にする代わりに、3つの別々のOAuth統合を行うことなく、すべてのプラットフォームを一度に網羅することができます。参加者ごとの生のメディアストリームやパイプラインの完全な制御が必要な場合は、キャプチャAPIの方が適しています。 このカテゴリー内の他社製品と比較する場合は、「tl;dv Fireflies」およびtl;dv Otter」の記事で、主要なノート作成アプリとの機能レベルの相違点が適切に解説されています。
MCP による会議の照会
tl;dv MCPサーバーを通じて会議tl;dv 公開しています。これは、従来の統合機能ではなくエージェントを構築する場合に重要なポイントです。Model Context Protocol（MCP）は、AIクライアントが構造化されたコンテキストを用いて実世界のアプリケーションに接続できるようにするオープンスタンダードです。そのため、ClaudeやCursor、あるいは独自に開発したエージェントなど、MCPに対応したクライアントであれば、統合レイヤーを別途作成することなく、会議履歴を直接照会することができます。この機能はProプラン以上で利用可能です。
ビデオ会議APIの選び方
まずは一つの質問から始めましょう。あなたは「コール」を構築しているのか、それとも「コール」を読んでいるのか？
通話機能の構築にはインフラが不可欠です。セルフホスティングの要件や価格モデルを慎重に検討しましょう。独自のメディアサーバーを運用したい場合はLiveKit、今日の午後にも動作するプロトタイプが必要な場合はDaily、グローバルな遅延が制約となる場合はAgora、Twilioからの移行を検討しており、APIのマッピングが最も近いものを求める場合はVonageが適しています。
「呼び出しの制御」とは、プラットフォームのAPIを指します。ユーザーがすべて1つのプラットフォームを利用しており、管理者の同意を得ることができれば、この方法でも対応可能です。
制御できない通話を読み取るということは、「キャプチャ」か「インテリジェンス」のいずれかを意味します。生のメディアデータとパイプライン全体の所有権が目的であれば「キャプチャ」です。構造化された出力を求めており、要約パイプラインの維持管理を避けたい場合は「インテリジェンス」です。
よくある間違いは、インフラを選んだだけで、インテリジェンスが無料で手に入ると思い込んでしまうことです。そうではないので、賢明に選択しましょう。
どのビデオ会議APIが最適でしょうか？
「ビデオ会議API」をめぐる分類上の混乱は、決して偶然のものではありません。この曖昧さから利益を得ているベンダーは4種類あり、そのいずれもが、ユーザーを別のページへ誘導するような分類体系をホームページのトップページに掲載しているわけではありません。
実用的なバージョンは簡潔です。インフラストラクチャが呼び出しを構築します。プラットフォームAPIは、すでに利用している会議を自動化します。キャプチャAPIは生のメディアデータを抽出します。インテリジェンスAPIは、メモやアクションアイテムなどの構造化データを返します。
覚えておくべき2つの日付があります。インターネット上の多くの意見とは裏腹に、Twilio Videoは今後も存続します。また、2026年8月2日は、EUの透明性に関する義務が施行される日です。この投稿の内容を含め、何かを決断する前に、いずれも一次情報源で確認してください。
ビデオ会議APIに関するよくある質問
ビデオ会議APIとは何ですか？
ビデオ会議APIとは、ソフトウェアが人間の操作なしに、ビデオ会議の作成、参加、制御、録画、またはデータ抽出を行えるようにする、一連のプログラム用エンドポイントおよびSDKのことです。この用語は、ビデオ通話機能を構築するためのインフラストラクチャAPI、Zoom 、Meetを自動化するプラットフォームAPI、生メディアデータを抽出するためのキャプチャAPI、および構造化された会議データを返すインテリジェンスAPIの4つのカテゴリを網羅しています。
ビデオ会議APIとSDKの違いは何ですか？
APIとは、ルームの作成、トークンの発行、データの取得を行うためのサーバー側の制御層のことです。SDKとは、動画のレンダリングやメディアストリームの処理を行うために、アプリ内に組み込むクライアントライブラリのことです。多くのベンダーは両方を販売しており、そのセットを「API」として販売しています。
Twilio Programmable Videoはサービス終了したのでしょうか？
いいえ。Twilioはサポート終了を発表し、その後その期限を延長しましたが、2024年10月にその決定を撤回し、Programmable Videoが引き続き独立した製品として存続し、投資も継続されることを確認しました。2024年の発表期間中に作成された移行に関するコンテンツは、依然として検索結果の上位に表示されており、そこでは依然として異なる内容が記載されています。
ビデオ会議用APIには、文字起こし機能やAIによる要約機能は含まれていますか？
ほとんどのインフラストラクチャAPIは、生のキャプションストリームと録音ファイルを提供しており、一部のサービスでは文字起こし機能をアドオンとして提供しています。構造化された出力（話者別のセグメント、要約、抽出されたアクションアイテムなど）を得るには、通常、別途の会議分析APIを利用するか、独自にパイプラインを構築する必要があります。
プログラムで会議の議事録を取得するにはどうすればよいですか？
3つの方法があります。MicrosoftZoomAPIといったネイティブプラットフォームのAPIからデータを取得する方法、通話に参加するキャプチャボットを展開する方法、そしてキャプチャと構造化をまとめて処理するミーティングインテリジェンスAPIを呼び出す方法です。ネイティブAPIの利用には、多くの場合、エンタープライズライセンスや管理者の承認が必要となります。
会議を録画するには、やはりボットが必要ですか？
必ずしもそうとは限りません。Zoom「リアルタイムメディアストリーム」機能では、ボット参加者を介さずに会議のメディアを配信でき、デスクトップキャプチャ機能ではデバイスの音声をローカルに記録します。一方、Google Meet 、Meet Media APIが依然として開発者プレビュー段階にあるため、Google Meet 、ボットが必要となります。
ビデオ会議APIの費用はいくらですか？
カテゴリによって異なります。インフラストラクチャAPIは参加者1人あたりの分単位で課金され、無料枠は約10,000分です。キャプチャAPIはボット1台あたりの時間単位で課金され、料金はおよそ0.35～0.50ドルです。インテリジェンスAPIはユーザー1人あたりで課金されます。tl;dvAPItl;dv、ユーザー1人あたり月額18ドル（年額一括払い）で利用可能になります。
APIを通じて会議を録音するには、同意が必要ですか？
多くの場合、その通りであり、要件はますます厳格化されています。EU AI法第50条の透明性義務は2026年8月2日から適用され、人と相互作用するAIシステムと感情認識システムの両方を対象としています。 広く報じられたAI法の施行延期により、第III章に基づく高リスク義務の適用は2027年12月および2028年8月に延期されましたが、第50条(2)のコンテンツ表示規則を除き、第50条の透明性義務の適用は延期されませんでした。
これは法的助言ではありません。お住まいの管轄区域の弁護士にご確認ください。
