ＷＥＢアプリのPOC開発依頼

【件名】 【予算150万円・PoCからの段階開発】AI音声分離＋自動台本化を活用した、アフレコWEBアプリ（PC版）の開発相談 ■ 1. 開発の背景と目的 現在、声優・演劇等の教室指導向けに、動画生成AI（DeeVid AI等）を活用して教材動画を作成しています。 これらの動画は4人以下のキャラクターの音声が1つのファイルに合体して出力されるため、AI技術を用いて「話者の自動分離」と「音声の自動台本化（文字起こし）」を同時に行い、特定のキャラクターだけをミュート（消音）してアフレコ（上書き録音）の練習ができるパソコン向けWEBアプリの開発を検討しています。 まずは教室での指導用プロトタイプ（MVP）としてコア機能のみを構築し、将来的には「生徒用アカウント」や「サブスク決済」を追加して一般向けのビジネス展開（SaaS化）を目指すロードマップを考えています。 ■ 2. 今回の予算と開発スコープ ・総予算：150万円（税別・システム手数料等の相談可） ・開発対象：パソコン用WEBアプリ（Chrome/Safari最新版対応） ・仕様の制限：予算内に収めるため、今回は「ログイン機能」「ユーザー管理」「サーバー側への永続的なデータ保存」は一切実装しません。共通URLでアクセスし、その場で音声分離・録音・再生ができる単一画面のシステムを想定しています（デザインもテンプレート等で極力シンプルに抑えます）。 ■ 3. 将来的な拡張性（必須要件） 今回はアカウント機能を実装しませんが、将来的に「生徒・講師用のアカウント機能」「個別データの保存機能」をスムーズに追加できるよう、初期のシステム設計およびデータベース設計（空のユーザーエンティティの想定など）において拡張性（スケーラビリティ）を持たせた設計・構築をお願いいたします。 ■ 4. 開発のステップ（希望） 技術的な不確実性を排除するため、まずは以下の2ステップで進めたいと考えています。 【ステップ1：技術検証（PoC）】 弊社から提供するサンプル動画を用い、既存のAIライブラリ（PyAnnote.audio等）や外部APIで、4人の話者分離（発言タイムスタンプの取得）が実用に耐えうる精度で実現可能かを検証・レポートしていただきます。 【ステップ2：本開発（MVP構築）】 検証成功後、以下の主要機能を備えたWEBアプリの本体開発に進みます。 ・管理者による動画/音声ファイルのアップロード ・【自動台本化機能】OpenAIのWhisper等の外部APIを連携し、音声を自動で文字起こしして台本テキストを生成・表示する機能 ・【AI話者分離機能】アップロードされた音声から、最大4人までの話者を識別し、タイムライン（4トラック分）へ可視化 ・【トラックコントロール】各話者ごとに「ミュート（消音）」「ソロ（単独再生）」を切り替えるボタン ・【台本同期表示】音声の再生位置に合わせて、自動生成された台本テキストの該当行がハイライトされる仕組み ・【低遅延録音（Web Audio API）】選択したキャラをミュートした状態で、PCマイクから自分の声をタイミングを合わせて録音（音ズレ補正あり） ・【プレビュー・書き出し】元の音声（他キャラ）と自分の録音音声を重ね合わせたプレビュー再生・ローカルへの書き出し機能 ■ 5. 御社へのご質問・確認事項 1. 予算150万円の中で、上記ステップ1（PoC）からステップ2（本体開発）までをスコープに収めることは可能でしょうか。（削れる機能や仕様変更の余地があればご提案ください） 2. 音声処理、AI（話者分離・文字起こし）、またはWeb Audio APIを用いた開発実績・知見はございますか。 3. 今回のような拡張を見据えたミニマム開発（MVP開発）において、御社がおすすめする技術スタック（言語・フレームワーク等）があれば教えてください。