# AirCaps A5S Async v1: pruebas de transcripción por hablante, precio y SRT

> Probé AirCaps A5S Async v1: 23.89% de cpWER en VoiceArena, por qué supera a Nemotron 3.5 en voces superpuestas, precio de $0.18/h al 2026-11-12 y reglas para exportar SRT.

- URL: https://freelivecaption.com/es/posts/aircaps-a5s-async-v1
- Author: Hugo Fernández (https://freelivecaption.com/es/about)
- Topic: Dictado (https://freelivecaption.com/es/topics/dictation)

## Resumen

- AirCaps A5S Async v1 (a5s-async-v1) ocupa el puesto #1 en Diarization-Bench de VoiceArena con un cpWER general de 23.89% (17.47% en llamadas en línea).
- Supera al #2 NVIDIA Nemotron 3.5 Transcribe (32.43% de cpWER) al reducir las sustituciones de palabras y atribución de hablantes de 18.43% a 10.88%.
- El precio de la API alojada es de $0.18/h al 2026-11-12 (facturado por milisegundo, 5 horas gratis), superando a Deepgram Nova-3 ($0.39/h) y AssemblyAI ($0.28/h).
- Admite 9 idiomas sin detección automática de idioma y exporta subtítulos SRT/VTT con etiquetas de hablante en una sola pasada.

---

AirCaps A5S Async v1 (`a5s-async-v1`) es actualmente la API de voz a texto en la nube más precisa para grabaciones con múltiples hablantes donde las personas se interrumpen y hablan al mismo tiempo. En la evaluación a ciegas de VoiceArena en 139 conversaciones con múltiples hablantes (de 2 a 8 participantes, aproximadamente 22 horas de audio), A5S Async v1 obtuvo el puesto #1 entre 15 sistemas con una tasa de error de palabras de permutación mínima concatenada (cpWER) general de **23.89%**, logrando **17.47%** en llamadas VoIP en línea y **24.91%** en grabaciones presenciales de campo lejano en salas.

Publicado por el equipo de cinco personas de AirCaps AI como una API REST alojada a **$0.18 por hora de audio** (con **5 horas gratis** para cuentas nuevas), el modelo ejecuta reconocimiento de voz, diarización de hablantes, marcas de tiempo por palabra y generación de subtítulos SRT o VTT etiquetados por hablante en una sola solicitud para **9 idiomas**: inglés, español, francés, alemán, portugués, hindi, japonés, coreano y chino.

Si editas pódcast con varios presentadores, generas actas de reuniones o creas flujos de subtitulado, la precisión bruta de las palabras rara vez es lo que arruina una transcripción. El verdadero tiempo de corrección proviene de las voces superpuestas: cuando dos personas hablan a la vez y el modelo une ambas voces en un solo párrafo o asigna una oración a la persona equivocada. A continuación, verás cómo A5S Async v1 maneja a los hablantes superpuestos en comparación con NVIDIA y ElevenLabs, cuánto cuesta realmente ejecutarlo en producción y las reglas de parámetros que debes conocer antes de enviar tu primer lote de audio.

---

## Por qué AirCaps A5S Async v1 supera a NVIDIA Nemotron 3.5 en voces superpuestas

La tasa de error de palabras (WER) estándar solo verifica si las palabras transcritas coinciden con el texto de referencia. Las pruebas comparativas con múltiples hablantes utilizan **cpWER**, que califica una palabra como error tanto cuando se escucha mal como cuando se asigna a la etiqueta de hablante equivocada. En las 139 conversaciones naturales en inglés de VoiceArena (115 reuniones presenciales en salas y 24 llamadas en línea con un total de 272,690 palabras de referencia), AirCaps A5S Async v1 terminó en primer lugar con **23.89% de cpWER**, muy por delante del segundo lugar, [NVIDIA Nemotron 3.5 Transcribe](/en/posts/nemotron-3-5-transcribe), con **32.43%**, y del anterior líder de la clasificación, ElevenLabs Scribe v2, con **35.73%**.

Lo que más me llamó la atención al revisar el desglose de errores de VoiceArena es *cómo* AirCaps supera a Nemotron 3.5 Transcribe. El cpWER total es la suma de tres tipos de errores: omisiones (palabras omitidas), sustituciones (palabras mal escuchadas o asignadas al hablante equivocado) e inserciones (palabras adicionales alucinadas).

| Sistema | Puesto en VoiceArena | cpWER general | Omisiones (palabras omitidas) | Sustituciones (palabra / hablante incorrecto) | Inserciones (palabras adicionales) |
| :--- | :--- | :--- | :--- | :--- | :--- |
| **AirCaps A5S Async v1** | **#1** | **23.89%** | **9.29%** | **10.88%** | **3.72%** |
| **NVIDIA Nemotron 3.5 Transcribe** | #2 | 32.43% | 8.32% | 18.43% | 5.68% |
| **NVIDIA Parakeet + Nemotron 3 Diarization** | #3 | 34.18% | — | — | — |
| **OpenMOSS-Transcribe-Diarize** | #4 | 34.73% | — | — | — |
| **ElevenLabs Scribe v2** | #5 | 35.73% | — | — | — |
| **Meta Muse Voice Transcribe** | #6 | 36.53% | — | — | — |
| **AssemblyAI Universal-3.6 Pro** | #8 | 47.81% | — | — | — |
| **Mistral Voxtral Small Transcribe 3** | #12 | 59.65% | — | — | — |
| **Deepgram Nova-3** | #15 | 71.89% | — | — | — |

Observa primero la columna de omisiones: Nemotron 3.5 Transcribe en realidad omite ligeramente menos palabras que AirCaps (**8.32%** frente a **9.29%**). A diferencia de las API más antiguas que simplemente descartan el audio cuando dos voces chocan —en conjuntos públicos de reuniones en inglés, AssemblyAI omite el 25.8% de las palabras de referencia y ElevenLabs omite el 18.8%, en comparación con el 8.0% de AirCaps—, tanto NVIDIA como AirCaps captan el habla superpuesta.

La brecha se abre en la columna de **Sustituciones**. Nemotron 3.5 registra una tasa de sustitución de **18.43%** en comparación con el **10.88%** de AirCaps, lo que significa que Nemotron comete un 69% más de errores de sustitución y atribución de hablantes. Cuando tres personas discuten en una mesa, Nemotron captura las sílabas, pero con frecuencia etiqueta la interjección al hablante que tenía la palabra un segundo antes. AirCaps mantiene intactos los límites entre hablantes y reduce las inserciones de palabras alucinadas a **3.72%** (frente a 5.68% en Nemotron y más de 20% en modelos más pequeños como [Voxtral 3 de Mistral](/en/posts/voxtral-3-vs-nemotron-3-5)).

Esa ventaja en la separación de hablantes escala a medida que las grabaciones se vuelven más complejas. VoiceArena divide su conjunto de pruebas en 10 subgrupos según la cantidad de hablantes (2, 3, 4 y 5–8 hablantes), el entorno acústico (en línea frente a presencial) y la densidad de superposición (<15%, 15–30% y 30%+). A5S Async v1 ocupa el puesto #1 en los 10 subgrupos. En conversaciones de 3 hablantes, Nemotron comete un 48% más de errores que AirCaps; en segmentos donde el 50% o más del diálogo se superpone, el siguiente mejor modelo comete un 61% más de errores.

En los cinco corpus públicos estándar de reuniones —tres en inglés (NOTSOFAR-1, AMI, CHiME-6) y dos en mandarín (AISHELL-4, AliMeeting) que abarcan 226 grabaciones y 59 horas—, A5S Async v1 alcanza un cpWER promedio macro de **21.51%**, superando a Nemotron 3.5 Transcribe (**30.40%**) y AssemblyAI Universal-3.5 Pro (**32.00%**). Su rendimiento en chino es particularmente sólido, logrando **14.39% de cpCER** en AliMeeting frente al **25.72%** de Nemotron, y **18.43%** en AISHELL-4 frente al **31.11%** de Nemotron.

---

## Precio de $0.18/h frente a Deepgram, AssemblyAI y ElevenLabs

La mayoría de los proveedores de API de voz anuncian una tarifa base baja por minuto y luego añaden recargos por hora cuando activas la diarización de hablantes, el refuerzo de términos clave o el formato numérico inteligente. AirCaps fija el precio de A5S Async v1 en una tarifa plana de **$0.18 por hora de audio**, facturada por milisegundo de audio, con etiquetas de hablante, marcas de tiempo por palabra, sesgo de términos clave, formato inteligente y exportación de subtítulos SRT/VTT, todo incluido en esa única tarifa.

| Proveedor y modelo | Precio equivalente (por hora de audio) | cpWER macro en 5 conjuntos de datos | Tiempo medio de respuesta (archivo de audio de 1 h) | Cuota de prueba gratuita |
| :--- | :--- | :--- | :--- | :--- |
| **AirCaps A5S Async v1** | **$0.18** | **21.51%** | **9.8 s** | 5 horas gratis (sin tarjeta) |
| **Meta Muse Voice Transcribe** | $0.18 | 34.57% | — | Varía según el socio en la nube |
| **ElevenLabs Scribe v2 / v3** | $0.27 | 40.11% (v2) | — | Créditos según el plan |
| **AssemblyAI Universal-3.5 Pro** | $0.28 | 32.00% | — | Créditos del nivel gratuito |
| **Google Gemini 3.5 Transcribe** | ~$0.30 (basado en tokens) | 66.94% | — | Nivel gratuito de AI Studio |
| **Deepgram Nova-3** | $0.39 | 66.69% | 6.3 s | $200 de crédito al registrarse |
| **Microsoft MAI-Transcribe-2** | $0.10 promo ($0.54 lista) | 41.59% | — | Créditos de prueba de Azure |

*(Nota: La tarifa de $0.10/h de Microsoft es un precio promocional temporal vigente hasta el 31 de diciembre de 2026, tras lo cual vuelve a su precio de lista de $0.54/h).*

Cuando comparas facturas equivalentes con las etiquetas de hablante activadas, AirCaps es un 33% más económico que ElevenLabs ($0.27/h), un 36% más económico que AssemblyAI ($0.28/h) y cuesta menos de la mitad que Deepgram Nova-3 ($0.39/h). Deepgram sigue siendo la API más rápida del mercado, procesando una grabación de una hora en una mediana de **6.3 segundos** en comparación con los **9.8 segundos** de AirCaps (AirCaps se ejecuta a 340x en tiempo real en una sola GPU H100). Sin embargo, Deepgram Nova-3 tiene serias dificultades con la superposición de múltiples hablantes, registrando un cpWER macro de 66.69% en las cinco pruebas públicas de reuniones y 71.89% en VoiceArena.

Cuando calculé la economía unitaria para un flujo de trabajo de recorte y subtitulado de pódcast, la tarifa de $0.18/h simplificó las cuentas. Transcribir un episodio de pódcast de 10 minutos con dos personas cuesta exactamente **$0.03**. Si operas un micro-SaaS que cobra a los creadores $9.90 por 1,000 créditos y descuenta 1 crédito por minuto de video ($0.099 de ingresos por ese clip de 10 minutos), tu margen bruto se sitúa alrededor del **70%** antes de las comisiones de Stripe. Incluso si tomas la transcripción final con atribución de hablantes y la envías a un modelo de texto ligero ($0.10 por 1M de tokens de entrada, $0.50 por 1M de tokens de salida) para extraer decisiones de reuniones, responsables de tareas y fechas límite, tu costo total de API para una llamada de una hora se mantiene por debajo de $0.20.

Si tu flujo de trabajo requiere subtítulos en vivo en fracciones de segundo durante una llamada activa de Zoom en lugar del procesamiento de archivos posterior a la llamada, A5S Async v1 no será adecuado: su versión de transmisión continua (`A5S Streaming v1`) aún se encuentra en acceso anticipado cerrado. Para transmisiones WebSocket en vivo, consulta nuestro análisis de [ElevenLabs Scribe v3 y Scribe v3 Live](/en/posts/elevenlabs-scribe-v3), que ofrece subtitulado en tiempo real a 150ms, o aloja por tu cuenta [NVIDIA Nemotron 3.5 Transcribe](/en/posts/nemotron-3-5-transcribe) si dispones de VRAM en una GPU local y necesitas 40 idiomas sin conexión.

---

## Idiomas admitidos, configuración de la API y exportación directa de subtítulos SRT

AirCaps A5S Async v1 acepta cualquier formato de audio o video compatible con `ffmpeg` desde **0.1 segundos hasta 3 horas** de duración. Puedes pasar una URL pública o prefirmada de hasta **5 GB** (`audio_url`), o subir un archivo binario local de hasta **1 GB** mediante `POST /v1/files` (que devuelve un `file_id` temporal almacenado durante 24 horas). Los archivos multicanal se mezclan automáticamente a mono a partir de la primera pista de audio.

Antes de enviar una solicitud a `POST https://api.aircaps.com/v1/transcripts`, hay cuatro reglas de parámetros en la [documentación de la API de AirCaps](https://aircaps.ai/docs) que te evitarán trabajos fallidos o resultados ilegibles:

- **Sin detección automática de idioma (`language_code`):** A5S Async v1 admite exactamente 9 idiomas: inglés (`en`, además de etiquetas regionales como `en-US`, `en-GB`, `en-AU`, `en-IN`, `en-SG`), español (`es`, `es-MX`), francés (`fr`), alemán (`de`), portugués (`pt`, `pt-BR`), hindi (`hi`), japonés (`ja`), coreano (`ko`) y chino (`zh`). **No hay detección automática** para el audio grabado. Si omites `language_code`, la API utiliza `"en"` de forma predeterminada. Enviar una grabación en mandarín o español sin especificar `"language_code": "zh"` o `"es"` obliga al modelo a interpretar el habla en otro idioma como palabras en inglés.
- **El error HTTP 400 de `keyterms` en audios que no están en inglés:** Puedes pasar un arreglo de hasta **60 frases** en `keyterms` (cada frase de hasta 6 palabras y menos de 50 caracteres) para orientar el reconocimiento hacia nombres de empresas, nombres de invitados o jerga técnica. Sin embargo, `keyterms` **solo funciona cuando `language_code` es inglés**. Si incluyes un arreglo `keyterms` en una solicitud en chino (`zh`) o japonés (`ja`), la API rechaza inmediatamente la llamada con un error `400 invalid_request`.
- **`smart_format` multilingüe:** Configurar `"smart_format": true` convierte automáticamente números hablados, montos de divisas, porcentajes, fechas y horas en dígitos (convirtiendo "twenty five dollars" en "$25"). A diferencia de `keyterms`, `smart_format` funciona en los 9 idiomas admitidos y su valor predeterminado es `false`.
- **Ajuste para 7+ hablantes (`large_meeting`):** Para entrevistas estándar y pódcast de 2 a 6 hablantes, deja `large_meeting` en su valor predeterminado (`false`). Si estás transcribiendo una reunión general, una grabación judicial o un panel con **7 a 9+ hablantes**, configura `"large_meeting": true` para que el proceso de diarización asigne grupos de hablantes adicionales en lugar de fusionar las voces poco frecuentes.

### Paso 1: Crear el trabajo de transcripción

Regístrate en la consola de AirCaps para reclamar las 5 horas gratis (actualmente no hay un portal para agregar fondos y tu cuota se restablece en cada ciclo de facturación; una cuota agotada devuelve `402 insufficient_balance`). Envía tu archivo de audio con `curl`:

```bash
curl https://api.aircaps.com/v1/transcripts \
  -H "Authorization: Bearer $AIRCAPS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
        "model": "a5s-async-v1",
        "audio_url": "https://example.com/roundtable-episode.mp3",
        "language_code": "en-US",
        "smart_format": true,
        "large_meeting": false,
        "keyterms": ["AirCaps", "Nemotron", "cpWER"]
      }'
```

El endpoint devuelve un `id` de trabajo y establece el estado en `processing` (o `queued`). Puedes consultar periódicamente `GET /v1/transcripts/{id}` o pasar una `webhook_url` en el cuerpo de la solicitud POST para recibir una notificación tan pronto como finalice el trabajo.

### Paso 2: Exportar subtítulos SRT o VTT etiquetados por hablante

Una vez que el estado de la transcripción se completa, no necesitas escribir un script personalizado para convertir las marcas de tiempo de las palabras en bloques de subtítulos. Llama al endpoint dedicado `/subtitles` con el mismo ID de transcripción:

```bash
curl "https://api.aircaps.com/v1/transcripts/{id}/subtitles?format=srt&chars_per_caption=42" \
  -H "Authorization: Bearer $AIRCAPS_API_KEY" \
  -o episode-captions.srt
```

El parámetro de consulta `format` acepta `srt` (predeterminado) o `vtt` (si vas a incrustar subtítulos en un elemento `<track>` del navegador, consulta nuestra guía sobre [SRT frente a VTT](/en/posts/srt-vs-vtt)). El número entero `chars_per_caption` controla la longitud de línea y debe establecerse estrictamente entre **10 y 200** (el valor predeterminado es **42**). Cuando exporto subtítulos para videos de YouTube en formato 16:9, `42` mantiene los subtítulos limpios en una sola línea; al editar videos cortos verticales en 9:16 para TikTok o Reels, reduzco `chars_per_caption` a `26` para que la etiqueta del hablante y el texto nunca se dividan en tres líneas apiladas.

El archivo `application/x-subrip` devuelto incrusta la etiqueta del hablante directamente al inicio de cada intervención:

```srt
1
00:00:00,480 --> 00:00:02,310
[speaker_0] Hey, good afternoon, everybody.

2
00:00:02,400 --> 00:00:04,150
[speaker_1] Thanks for having me on the show.
```

Si transcribes regularmente a los mismos presentadores de pódcast o miembros del equipo, puedes combinar A5S Async v1 con **AirCaps Speaker ID** (`$0.02` por hora de audio). Una vez registrada la huella de voz de una persona, el endpoint `/subtitles` reemplaza automáticamente las etiquetas genéricas como `[speaker_0]` y `[speaker_1]` por sus nombres reales (por ejemplo, `[Alex]` y `[Sam]`) directamente dentro del archivo SRT exportado.

---

## Límites en producción: tope de 5 trabajos simultáneos, privacidad de datos y verificación con la prueba abierta

Antes de integrar AirCaps A5S Async v1 en una aplicación activa para usuarios finales, ten en cuenta tres limitaciones operativas que no aparecen en las tablas principales de rendimiento.

### 1. El límite de 5 trabajos simultáneos y la cola FIFO
De forma predeterminada, cada cuenta de AirCaps tiene un límite de **5 trabajos asíncronos simultáneos** ejecutándose al mismo tiempo (compartidos entre solicitudes de transcripción y de diarización independiente). Si un usuario sube un lote de 25 grabaciones de reuniones a la vez, las primeras 5 se procesan de inmediato (~10 segundos por hora de audio) y las 20 restantes entran en un estado de cola por orden de llegada (`queued`).

La cola admite hasta **2,000 trabajos pendientes** por cuenta, y el endpoint de creación de trabajos (`POST /v1/transcripts`) aplica un límite de velocidad de **600 solicitudes por minuto**. Superar la cola de 2,000 trabajos o el límite de creación de 600 RPM devuelve un error HTTP `429 Too Many Requests` con un encabezado `Retry-After`. Si prevés picos de tráfico en los que decenas de usuarios soliciten clips cortos simultáneamente, implementa un receptor de webhooks en lugar de realizar consultas síncronas periódicas, o ponte en contacto con AirCaps para aumentar tu límite de concurrencia antes del lanzamiento.

### 2. Política predeterminada de entrenamiento de modelos y cómo desactivarla
Por defecto, AirCaps establece que el audio y las transcripciones de los clientes en cuentas estándar pueden utilizarse para entrenar y evaluar futuros modelos. Los archivos de audio originales subidos se almacenan en caché durante 24 horas (lo que te permite volver a ejecutar trabajos sobre el mismo `file_id`) y se eliminan permanentemente de sus servidores en un plazo de 24 a 48 horas, mientras que las transcripciones generadas permanecen almacenadas durante **30 días** de forma predeterminada (eliminar una transcripción mediante la API también elimina de inmediato el archivo de audio subyacente).

Si estás transcribiendo llamadas confidenciales de clientes, entrevistas médicas o episodios inéditos, actualiza tu cuenta a un saldo de pago y abre la consola de AirCaps (`Settings -> Data controls`). Desde allí, puedes desactivar el entrenamiento de modelos y reducir la retención de transcripciones a **1 hora** (o solicitar un acuerdo empresarial de retención cero de datos).

### 3. Verificación de la precisión con tu propio audio mediante la prueba abierta
Dado que `a5s-async-v1` es un modelo en la nube cerrado sin pesos descargables, no puedes inspeccionar su arquitectura localmente. Sin embargo, AirCaps publicó su conjunto completo de evaluación bajo una licencia MIT en [github.com/aircaps/a5s-async-v1-benchmark](https://github.com/aircaps/a5s-async-v1-benchmark), incluyendo los scripts de preparación de conjuntos de datos, normalizadores, el flujo de puntuación cpWER y las respuestas brutas de la API de cada modelo competidor.

En lugar de confiar únicamente en las cifras generales de las tablas de clasificación, toma tu grabación más ruidosa de 15 minutos con múltiples hablantes, procésala usando las 5 horas gratis de tu cuenta y evalúa el resultado frente a tu propia transcripción de referencia utilizando su repositorio antes de migrar tu flujo de trabajo en producción.

## Fuentes y comprobaciones

<a id="source-aircaps-ai-1"></a>

- [AirCaps API documentation](<https://aircaps.ai/docs>) — Comprobado 2026-11-12

<a id="source-github-com-2"></a>

- [github.com/aircaps/a5s-async-v1-benchmark](<https://github.com/aircaps/a5s-async-v1-benchmark>) — Comprobado 2026-11-12