Eleven v4を発表これまでで最も感情豊かなモデル、Eleven v4をご紹介します。

コンテンツへ移動

WebRTCとは?リアルタイムWeb通信ガイド

執筆者
Jack Limebear
公開日

聴くこの記事を聴く

現在では、シームレスなWeb通信を簡単に利用できます。しかし以前は、低遅延のビデオや音声ストリーミングアプリの構築がデベロッパーにとって大きな課題でした。ユーザーは、フレーム落ち、音声遅延、切断によってスムーズなやり取りを妨げられていました。

WebRTCは、低遅延のピアツーピアデータストリーミングを可能にし、リアルタイムWeb通信の課題解決に役立ちます。2011年の登場以来、Chrome、Safari、Firefoxなどの主要ブラウザに採用されてきました。現在、WebRTCはブラウザやWebアプリでのリアルタイム通信を支えています。

この記事では、WebRTCの仕組み、ユースケース、セキュリティ上の考慮事項、ほかのWeb通信技術との違いを解説します。

ElevenAgentsでエージェントを大規模に構築。チームにご相談ください

他にお困りですか?こちらもご覧ください: ヘルプセンター

まとめ

  • WebRTCは、ブラウザやWebアプリ間で音声、ビデオ、データをピアツーピアでリアルタイムにストリーミングできる技術です。
  • WebRTCはUDPで動作するため、低遅延で多少の損失を許容できるWeb通信アプリケーションに適しています。
  • WebRTCでストリーミングする際は、RTCPeerConnection、MediaStream、RTCDataChannelなどの標準APIを使用し、リアルタイムのメディア交換用に暗号化されたチャネルを作成します。
  • ピアデバイスは、WebRTC接続を確立する際にSTUNサーバーとTURNサーバーを利用してIPアドレスを検出し、ネットワーク制限を回避します。
  • WebRTCアプリケーションを構築する際は、スケーラビリティ、セキュリティ、接続性など、いくつかの課題を考慮する必要があります。

WebRTCとは?

WebRTCは、Webブラウザ間でピアツーピアのリアルタイムストリーミングを可能にする、無料のオープンソース通信技術です。WebRTCを使えば、プラグインや仲介ソフトウェアをダウンロードせずに、ビデオ、音声、データを直接交換できます。

従来のクライアントサーバー型ストリーミングとは異なり、WebRTCは直接経路がある場合、ピア間でメディアを直接送信します。リレー(TURN)サーバーやメディアサーバーが介在するのは、直接接続できない場合や、参加者が3人以上の場合に限られます。これにより、WebRTCは低遅延のリアルタイムメディア通信を実現します。

最新のWebブラウザは、標準でWebRTCに対応しています。WebRTCはW3CとIETFによるオープン標準で、JavaScript APIを提供します。このAPIを使ってカメラやマイクにアクセスし、データチャネルを作成して、メディアコンテンツを送信先へ届けられます。

扱いやすいため、デベロッパーはWebRTCをテレビ会議、ビデオ・音声ストリーミング、リアルタイム文字起こし、画面共有など、さまざまなWebアプリケーションに活用しています。

WebRTC call flow: signaling connects peers; media travels directly or through a TURN relay.

WebRTCの仕組み:シグナリングからピアツーピアのメディア通信まで

WebRTCはブラウザでデータを取得して暗号化し、別のブラウザへリアルタイムでストリーミングします。ユーザーデータグラムプロトコル(UDP)上にデータチャネルを作成し、ブラウザやWebアプリが低遅延でデータを交換できるようにします。UDPは、ネットワーク経由でデータパケットを送信する高速なコネクションレス型プロトコルです。接続の維持、パケット受信の確認、失われたパケットの再送が不要なため、オーバーヘッドを大幅に削減できます。

標準では、WebRTCのネイティブAPIは2つのブラウザ間の直接的なピアツーピア(P2P)ストリーミングに対応しています。3つ以上のブラウザでも、複数のP2P接続を作成するか、メディアサーバーを使用することでデータを交換できます。ただし、複数のP2P接続はアップロード帯域幅によって制限されることが多いため、ライブ会議などのアプリケーションにはメディアサーバーが適しています。  

以下では、2つのブラウザ間でビデオを送信する例を使って仕組みを説明します。

WebRTC接続を確立するため、両方のブラウザは次の手順を実行します。

  1. メディアの取得。データを取得する前に、ブラウザはマイク、カメラ、または画面へのアクセス許可をユーザーに求めます。これはWebRTCフレームワークに組み込まれた標準のセキュリティ機能であり、デベロッパーが回避することはできません。
  2. シグナリング。両方のブラウザは、データを正常に交換できるよう、シグナリングサーバーを介してメタデータを調整します。たとえば、ブラウザAは対応するコーデック、ビットレート、暗号化技術を送信し、ブラウザBから対応するメタデータが返されるのを待ちます。データを交換するには、両方のブラウザが共通のメタデータ一式に合意する必要があります。  
  3. チャネルの保護。WebRTCは転送中のメディアとデータを暗号化し、権限のない第三者から保護します。両方のブラウザはデータグラムトランスポート層セキュリティ(DTLS)を使って暗号鍵を交換し、その鍵でデータを暗号化・復号します。各ホップは個別に暗号化されるため、挿入可能ストリームなどでエンドツーエンド暗号化を追加しない限り、メディアサーバーやSFUはメディアにアクセスできます。
  4. メディア交換。ブラウザ間で暗号鍵の合意が完了すると、セキュアリアルタイムトランスポートプロトコル(SRTP)を使ってメディアを交換します。送信側は、送信するすべてのビデオ、音声、その他の任意データをAES-128で暗号化します。一方、デバイスはストリーム制御伝送プロトコル(SCTP)を使い、JSONやテキストファイルなどの任意データを送信します。
  5. 輻輳管理。デバイスは、ジッター、遅延、その他の品質低下の兆候を継続的に検出します。デバイスからピアへリアルタイムトランスポート制御プロトコル(RTCP)パケットを送信し、Google Congestion Controlという帯域幅推定アルゴリズムでRTCP応答を解析して、送信レートを調整します。

WebRTC標準は、メディア取得、データセキュリティ、メディア交換のためのアプリケーションプログラミングインターフェース(API)とガイドラインを提供します。ただし、シグナリングのフレームワークは定義していません。そのため、デベロッパーはWebSocketなどの仕組みを使ってシグナリングを実装します。

WebRTCが対応するコーデック

コーデックは、メディアストリームを圧縮・展開するアルゴリズムです。WebRTC準拠のすべてのブラウザは、次のコーデックに対応する必要があります。

  • ビデオ:VP8、H.264。
  • 音声:Opus、G.711 PCM(A-law)、G.711 PCM(µ-law)。

ただし、ブラウザによってはAV1やVP9などの新しいコーデックにも対応しています。

WebRTC codecs: VP8/H.264 video and Opus/G.711 audio are mandatory; VP9/AV1 vary.

WebRTC API:RTCPeerConnection、MediaStream、データチャネル

WebRTCは、ブラウザのランタイムでデベロッパー向けに3つのコアAPIを提供します。

  • RTCPeerConnectionは、接続先の検出、メタデータの調整、セキュリティハンドシェイク、暗号化を処理します。ビデオと音声のストリームを追加し、デバイスからピアへ送信できます。
  • MediaStreamは、ストリーミングするコンテンツを格納するオブジェクトです。getUserMedia()を呼び出すと、カメラとマイクの入力がMediaStreamインスタンスに渡され、コンテンツが設定されます。
  • RTCDataChannelは、ピアブラウザ間で任意のデータを送信するために作成されるデータチャネルです。
WebRTC core browser APIs: RTCPeerConnection, MediaStream, and RTCDataChannel.

WebRTCがSTUNサーバーとTURNサーバーを使用する理由

WebRTC接続の多くは、異なるネットワーク上のデバイス間で行われます。データを交換するには、接続先ピアのパブリックIPアドレスが必要です。しかし、デバイスはファイアウォールやルーターの背後、または保護されたネットワーク内にあることが多く、自身のパブリックIPアドレスを認識できない場合があります。そのため、接続の確立が複雑になります。

STUN enables direct peer connections; TURN relays traffic when direct connection fails.

ルーターはネットワークアドレス変換(NAT)を使ってプライベートアドレスをパブリックアドレスに対応付けます。その後、WebRTCはインタラクティブ接続性確立(ICE)を使用して、ピア間で通信可能な経路を探します。

NATは、ローカルネットワーク内のデバイスが1つのパブリックIPアドレスを共有できるようにするサービスです。たとえば、コンピューターのプライベートIPアドレスが192.168.1.104だとします。インターネットに接続すると、NATによってルーターがこれをパブリックIPアドレス210.195.229.181に対応付けます。パブリックIPアドレス宛てにデータパケットを送信すると、ルーターは対応するプライベートIPアドレスとローカルポートを特定し、そこへデータを届けます。

ICEは、ピアデバイスが互いを検出できるようにするフレームワークです。デバイスはまず、STUNサーバーで検出したパブリックIPアドレスを使って接続を試みます。失敗した場合は、中継用のリレーサーバーに切り替えます。STUNサーバーとTURNサーバーはいずれもICEフレームワーク内で動作し、ピア接続の確立を支援します。

  • Session Traversal Utilities for NAT(STUN)サーバーは、デバイス自身のパブリックIPアドレスと外部ポートを通知します。デバイスはパブリックIPアドレスを把握すると、インターネット経由で接続しようとしているピアにその情報を送信します。
  • Traversal Using Relays around NAT(TURN)サーバーは、WebRTC接続を確立するための代替手段を提供します。TURNサーバーは、両方のピアがデータ交換に使用するリレーアドレスを提供します。パブリックIPアドレスが分かっていても接続を確立できない場合、ピアはTURNにフォールバックします。
ICE connects peers using STUN, direct paths, or a TURN relay fallback.

WebRTCのメディアサーバーとは?

メディアサーバーは、WebRTCアーキテクチャ内でデバイス間のデータをルーティングする仲介サーバーです。WebRTCにメディアサーバーは必須ではありませんが、1台のデバイスから複数のピアへ同時にストリーミングする場合に便利です。WebRTCメディアサーバーは、処理、暗号化、送信先デバイスへのルーティングの負荷を肩代わりします。

WebRTCとWebSocket:どちらのプロトコルを使うべき?

WebSocketは、クライアントとサーバーの間で双方向のデータ交換を可能にするプロトコルです。信頼性が高く、順序どおりの配信を実現する伝送制御プロトコル(TCP)上で動作します。一方、WebRTCは低遅延でリアルタイム伝送に最適化されたUDPを使用し、ピアツーピアのストリーミング機能を提供します。

高精細ビデオをストリーミングし、遅延や品質低下を避けたい場合はWebRTCが適しています。一方、アプリケーションとバックエンドサーバーの間でメッセージを確実に交換するため、持続的な接続を維持したい場合はWebSocketが適しています。

WebRTCとWebSocketは競合するプロトコルではありません。実際、デバイスはWebRTC接続を確立する際、シグナリングにWebSocketを使用します。WebSocketはイベント駆動型メッセージ向けに設計されており、デバイス間でネットワークパラメーター、メディアのメタデータ、その他の通知を送受信できます。

WebRTC uses UDP for peer-to-peer media; WebSocket uses TCP for ordered client-server messages.

リアルタイムの音声、ビデオ、データにおけるWebRTCのユースケース

WebRTCは、Webアプリやブラウザにおける低遅延ストリーミングの標準となっています。長年にわたり、デベロッパーは次のようなアプリケーションにWebRTCを活用してきました。

  • ビデオ会議。参加者はビデオ通話でやり取りし、画面を共有し、リアルタイムで文字起こしできます。
  • 音声通話。WebRTCは、メッセージングアプリ、コンタクトセンター、ブラウザベースの電話で音声会話を実現します。
  • モノのインターネット。IoTデバイスはWebRTCを使い、家庭用カメラ、ドローン、ドアベルカメラからモバイルアプリへビデオや音声データをストリーミングします。
  • 遠隔医療。医師と患者は、WebRTC対応のブラウザベースアプリを使って遠隔で診察を行います。
  • インタラクティブなライブ配信。コンテンツクリエイター、ゲーマー、エンターテイナーは、WebRTCの機能を使って視聴者とリアルタイムに交流します。
  • AI音声エージェント。WebRTCにより、AI音声エージェントは自然な複数ターンの会話を行えます。  
WebRTC uses: meetings, calls, connected devices, telehealth, streaming, and voice AI.

WebRTCはAPI、プロトコル、それともプラットフォーム?

WebRTCは、複数のプロトコル上に構築された一連のAPIです。デベロッパーは、ブラウザに組み込まれたWebRTC APIやSDKとして提供されるAPIを使って、低遅延の音声・ビデオストリーミングアプリケーションを構築します。たとえば、getUserMedia、RTCPeerConnection、RTCDataChannelなどのAPIを呼び出してRTC接続を確立し、双方向にデータを交換します。

WebRTCは、リアルタイムストリーミングを実現するために連携するプロトコル群とも考えられます。

プロトコル

機能

データグラムトランスポート層セキュリティ(DTLS)

WebRTCデータを保護するため、最初の暗号化と認証ハンドシェイクを行います。

セキュアリアルタイムトランスポートプロトコル(SRTP)

ピアデバイスへストリーミングされるWebRTCペイロードを暗号化します。

リアルタイムトランスポート制御プロトコル(RTCP)

輻輳制御を提供します。

ストリーム制御伝送プロトコル(SCTP)

デバイスがデータを順序どおりに送信できるようにします

Session Traversal Utilities for NAT(STUN)

デバイスが自身のパブリックIPアドレスを検出し、ピアデバイスへ送信できるようにします。

Traversal Using Relays around NAT(TURN)

直接接続を確立できない場合にピアが使用するリレーアドレスを、仲介サーバー経由で提供します。

WebRTCは音声、ビデオ、その他のデータ形式をストリーミングするための基盤を提供しますが、プラットフォームではありません。データ交換に必要なフレームワーク、インフラストラクチャ、シグナリングの仕組みは提供しません。

WebRTC protocols and roles: DTLS, SRTP, RTCP, SCTP, STUN, and TURN.

WebRTCの制約、セキュリティ上の考慮事項、トレードオフ

WebRTCは低遅延の双方向通信を実現しますが、実際の実装ではデベロッパーがいくつかの課題に直面します。

スケーラビリティ

複数の参加者がメッシュネットワークに加わると、WebRTCではパフォーマンスのボトルネックが発生します。たとえば、5人がライブビデオ会議に参加した場合、各デバイスは残りの4人へ同時にビデオデータをストリーミングする必要があります。これによりコンピューターのリソースと帯域幅に負荷がかかり、最終的にストリーミング品質が低下します。

接続に関する問題

デバイスがファイアウォールや対称NATの背後にある場合、STUNを使ってピアツーピア接続を確立できないことがあります。対称NATは外部向けポートを特定の送信先に対応付けるため、ピアツーピア通信が制限されます。その場合、WebRTCはTURNにフォールバックするため、エンドツーエンドの遅延が増加します。

セキュリティ上の考慮事項

WebRTCは転送中のデータを自動的に暗号化しますが、いくつかの課題が残ります。

  • デバイスがピアに接続すると、そのローカルIPアドレスまたはパブリックIPアドレスが公開されるため、プライバシー上の懸念が生じる可能性があります。
  • デベロッパーはHTTPSやWSSなど、安全なシグナリングプロトコルを使用する必要があります。そうしないと、悪意のある第三者にWebRTC接続を傍受される可能性があります。
  • WebRTCはアプリケーションレベルのセキュリティを処理しません。権限のないユーザーが通話に参加するのを防ぐには、認証などの対策機能を実装する必要があります。

シグナリングの一貫性

標準化されたシグナリングフレームワークがないため、デベロッパーによって異なるシグナリング方式が使われ、ネゴシエーションメッセージが競合したり、整合しなかったりする可能性があります。その結果、WebRTC接続のネゴシエーションが成功するまで、デバイスが何度も試行することがあります。

WebRTC faces scaling, connectivity, security, and signaling limits; media servers improve scale.

ElevenAgentsでリアルタイム音声体験を始める

ElevenAgentsでは、WebRTCで接続するリアルタイム音声エージェントを構築できます。JavaScriptおよびReact SDKでは、音声会話にデフォルトでWebRTCを使用し、テキストのみの会話にはWebSocketを使用します。明示的に選択するには、startSessionでconnectionTypeを「webrtc」または「websocket」に設定します。WebRTCは、React、Swift、React Native SDK、およびWebGLビルド向けUnity SDKで利用できます。WebRTCにはブラウザネイティブのエコーキャンセレーションとバックグラウンドノイズ抑制機能があり、AIとの会話でクリアな音声を保てます。

ElevenAgentsの詳細を確認するか、営業担当に問い合わせて、会話型AIエージェントの大規模な導入を始めましょう。

よくある質問




執筆者

Jack LimebearはGrowthチームに所属し、ブログやインサイトページのコンテンツライター兼ストラテジストとして活躍しています。ElevenLabsに入社する前は、急成長中のSaaSスタートアップからFortune 500企業まで、さまざまな組織で10年以上にわたりコンテンツ戦略をリードしてきました。ケンブリッジ大学で英文学の修士号を取得しています。

関連記事

大規模なコンテンツ制作に対応するオールインワンAIクリエイティブプラットフォーム