DeepSeek、検索・音声・OCRなどのアプリ機能APIを開放
概要
DeepSeekは、これまで公式アプリの中で提供してきた複数の機能を、開発者向けAPIとして外部に開放しました。対象には、ウェブ検索、ページ取得、ファイル処理、OCR、音声認識、音声合成などが含まれます。すべてを一括で導入する必要はなく、必要な機能だけを選んで呼び出し、組み合わせられる点が今回の大きな特徴です。
公式発表では、これらのAPIを利用すれば、DeepSeekアプリに近い構成のサービスを開発できると説明されています。さらに、DeepSeekの過去の対話履歴を読み込める軽量なチャットフロントエンドのデモも公開されました。検索やファイル解析などの基盤部分をゼロから用意しなくても、プロダクトの試作を始められます。
主な変更点
- 機能を個別に利用可能:Search、Fetch、OCR、ASR、TTSが独立したインターフェースとして提供され、用途に応じて組み合わせられます。
- 検索処理の実装を簡略化:従来のSearchとFetchでは、開発者がモデルの判断、検索呼び出し、ページ取得、結果の再入力までつなぐ必要がありました。今回の構成では、検索するかどうか、どのページを読むか、結果をどう回答に反映するかをDeepSeek側が処理できます。
- 音声機能を公式API化:音声認識と音声合成が独立APIとして公開されました。音声アシスタントを開発する際、別の音声サービスを追加する必要性が小さくなります。
- 複数の対話インターフェースに対応:発表内容によれば、V4.1-FlashはMessages、Responses、Chat Completionsの各インターフェースで関連する拡張機能を利用できます。
料金と開発への影響
素材では、音声認識は通常1時間0.78元のところ、現在は0.39元と説明されています。音声合成は1万文字あたり1.5元、検索とページ取得は成功呼び出し1000回あたり5元、OCRは1000ページあたり1.5元です。これらは提供素材に記載された価格とキャンペーンであり、実際の利用時には公式情報の確認が必要です。
重要なのは、単価だけではありません。例えば会議アシスタントでは、ASRで音声を文字化し、検索や要約と組み合わせられます。文書サービスでは、OCR、ファイル処理、質問応答を一つの流れにまとめられます。基盤機能の接続コードが減れば、チームは画面設計や業務フローの検証に時間を使いやすくなります。
意味するところ
DeepSeekは、固定されたチャットアプリだけでなく、開発者が再構成できる部品として自社の能力を提供しようとしています。現在のAIサービスはチャット画面を中心に設計されることが多いものの、検索エージェント、音声アシスタント、文書ワークフローでは異なる体験が求められます。
API公開後も、認証、データ保護、障害処理、ツール間の連携、運用コストは開発者の課題として残ります。それでも、AIアプリを試作するための初期負担は下がりました。次の大きなAIサービスがどのような形になるのかを、より多くの開発者が試せる環境が整いつつあります。
出典:量子位
コメント
ログイン状態を確認中…
コメントを読み込み中…