AirCaps A5S Async v1：話者分離文字起こしの精度・料金・SRT出力

発話が重なる音声でAirCaps A5S Async v1がNVIDIA Nemotron 3.5を上回る理由

標準的な単語誤り率（WER）は、書き起こされた単語が正解テキストと一致しているかのみを判定します。一方、複数話者ベンチマークではcpWERが使用され、単語の聞き間違いだけでなく、誤った話者ラベルに割り当てられた場合もエラーとしてカウントされます。VoiceArenaの自然な英語会話139件（対面の会議室録音115件とオンライン通話24件、正解単語数合計272,690語）において、AirCaps A5S Async v1は23.89% cpWERで首位に立ち、2位のNVIDIA Nemotron 3.5 Transcribe（32.43%）や、以前のリーダーボード首位だったElevenLabs Scribe v2（35.73%）に大差をつけました。

VoiceArenaのエラー内訳を詳しく確認して注目したのは、AirCapsがどのようにしてNemotron 3.5 Transcribeを上回っているかという点です。合計cpWERは、削除（聞き逃した単語）、置換（聞き間違えた単語、または別の話者に誤って割り当てられた単語）、挿入（ハルシネーションによる余分な単語）の3種類のエラーの合計で構成されます。

まず削除（聞き逃し）の列を見ると、Nemotron 3.5 Transcribeの方がAirCapsよりもわずかに聞き逃しが少なくなっています（8.32%対9.29%）。2つの声が重なった瞬間に音声ごと欠落させてしまう旧世代のAPI（公開されている英語会議データセットでは、AirCapsの削除率8.0%に対し、AssemblyAIは25.8%、ElevenLabsは18.8%の正解単語を削除してしまいます）とは異なり、NVIDIAとAirCapsはいずれも重なった発話を聞き取れています。

差が開くのは置換の列です。Nemotron 3.5の置換率が**18.43%であるのに対し、AirCapsは10.88%に抑えています。つまりNemotronは、置換および話者割当のエラーが69%多く発生しています。テーブル越しに3人が議論しているような場面では、Nemotronは音節こそ捉えるものの、合いの手や割り込み発言を1秒前まで話していた人物のラベルにそのまま紐づけてしまうケースが頻発します。AirCapsは話者の境界を正確に保ち、ハルシネーションによる単語の挿入も3.72%**に抑えています（Nemotronは5.68%、MistralのVoxtral 3のような小型モデルでは20%を超えます）。

この話者分離の強みは、録音環境が複雑になるほど顕著になります。VoiceArenaはテストスイートを話者数（2名、3名、4名、5–8名）、音響環境（オンライン対対面）、発話重複の密度（<15%、15–30%、30%+）によって10個のサブグループに分類しています。A5S Async v1は10個のサブグループすべてで#1を獲得しました。3名での会話ではNemotronのエラー数はAirCapsより48%多く、対話の50%以上が重複するセグメントでは、次点のモデルでもAirCapsより61%多くエラーを出しています。

標準的な5つの公開会議コーパス（英語のNOTSOFAR-1、AMI、CHiME-6の3つと、中国語のAISHELL-4、AliMeetingの2つ、計226録音・59時間）においても、A5S Async v1はマクロ平均cpWER21.51%を達成し、Nemotron 3.5 Transcribe（30.40%）やAssemblyAI Universal-3.5 Pro（32.00%）を上回っています。特に中国語の性能が高く、AliMeetingではNemotronの25.72%に対して14.39% cpCER、AISHELL-4ではNemotronの**31.11%に対して18.43%**を記録しています。

---

$0.18/hrの料金とDeepgram・AssemblyAI・ElevenLabsの比較

多くの音声APIプロバイダーは、1分あたりの低い基本料金を前面に出しつつ、話者ダイアライゼーションやキーワードブースト、数値のスマートフォーマットを有効にすると1時間あたりの追加料金を加算する仕組みをとっています。AirCapsはA5S Async v1を音声1時間あたり一律**$0.18**（音声のミリ秒単位で課金）で提供しており、話者ラベル、単語レベルのタイムスタンプ、キーワードバイアス、スマートフォーマット、SRT/VTT字幕エクスポートがすべてこの基本料金に含まれています。

（注：Microsoftの$0.10/hrは2026年12月31日までの期間限定プロモーション価格であり、期間終了後は定価の$0.54/hrに戻ります。）

話者ラベルを有効にした同条件で料金を比較すると、AirCapsはElevenLabs（$0.27/hr）より33%安く、AssemblyAI（$0.28/hr）より36%安く、Deepgram Nova-3（$0.39/hr）の半額以下に収まります。処理速度に関しては依然としてDeepgramが市場最速であり、1時間の録音を返す中央値はAirCapsの9.8秒（単一のH100 GPU上で実時間の340xで動作）に対して6.3秒です。ただし、Deepgram Nova-3は複数話者の発話重複を苦手としており、5つの公開会議ベンチマークでのマクロcpWERは66.69%、VoiceArenaでは71.89%にとどまります。

ポッドキャストの切り抜き・字幕作成ワークフローでユニットエコノミクスを試算したところ、$0.18/hrという料金体系は非常に計算しやすいものでした。10分間の2人対談ポッドキャストを文字起こしするコストはちょうど**$0.03です。たとえばクリエイター向けに1,000クレジットを$9.90で販売し、動画1分あたり1クレジットを消費するマイクロSaaSを運営する場合（10分のクリップで売上$0.099）、Stripeの手数料を差し引く前の粗利益率は約70%**になります。完成した話者付き文字起こしを軽量なテキストモデル（1M入力トークンあたり$0.10、1M出力トークンあたり$0.50）に渡して会議の決定事項や担当者、期限を抽出する処理を加えても、1時間の通話に対するAPI総コストは$0.20未満に収まります。

一方、通話終了後のファイル処理ではなく、進行中のZoom通話で1秒未満の低遅延ライブ字幕が必要なワークフローには、A5S Async v1は適していません。ストリーミング版であるA5S Streaming v1は現在クローズドな早期アクセス段階にあります。ライブWebSocketストリームが必要な場合は、150msのリアルタイム字幕生成に対応したElevenLabs Scribe v3およびScribe v3 Liveの解説を参照するか、ローカルのGPU VRAMがありオフラインで40言語を処理したい場合はNVIDIA Nemotron 3.5 Transcribeのセルフホストを検討してください。

---

対応言語・APIセットアップ・SRT字幕の直接エクスポート

AirCaps A5S Async v1は、ffmpegがサポートするあらゆる音声・動画フォーマットに対応しており、長さは0.1秒から最大3時間まで処理できます。最大5 GBまでの公開URLまたは署名付きURL（audio_url）を指定するか、POST /v1/files経由で最大1 GBまでのローカルバイナリファイルをアップロード（24時間保持される一時的なfile_idを返却）して利用します。マルチチャンネルのファイルは、最初の音声ストリームから自動的にモノラルへミックスダウンされます。

POST https://api.aircaps.com/v1/transcriptsへリクエストを送信する前に、AirCaps APIドキュメントに記載されている以下の4つのパラメータ仕様を確認しておくと、ジョブの失敗や文字化けを防げます。

• 自動言語検出は非対応（language_code）：A5S Async v1がサポートするのは、英語（en、およびen-US、en-GB、en-AU、en-IN、en-SGなどの地域タグ）、スペイン語（es、es-MX）、フランス語（fr）、ドイツ語（de）、ポルトガル語（pt、pt-BR）、ヒンディー語（hi）、日本語（ja）、韓国語（ko）、中国語（zh）の9言語です。録音済み音声に対する自動言語検出機能はありません。language_codeを省略すると、APIはデフォルトで"en"として処理します。中国語やスペイン語の録音で"language_code": "zh"や"es"を指定し忘れると、外国語の発話が無理やり英単語に当てはめられてしまいます。
• 英語以外の音声におけるkeytermsのHTTP 400エラー：keytermsには最大60個のフレーズ配列（各フレーズは最大6単語・50文字未満）を渡すことができ、社名やゲスト名、専門用語の認識精度を高められます。ただし、keytermsが機能するのはlanguage_codeが英語の場合のみです。中国語（zh）や日本語（ja）のリクエストにkeyterms配列を含めると、APIは即座に400 invalid_requestエラーで呼び出しを拒否します。
• 全言語共通のsmart_format："smart_format": trueを設定すると、読み上げられた数値、金額、パーセンテージ、日付、時刻が自動的に算用数字へ変換されます（たとえば「twenty five dollars」が「"$25"」に変換されます）。keytermsとは異なり、smart_formatは対応する9言語すべてで機能し、デフォルト値はfalseです。
• 7+名の話者向け調整（large_meeting）：話者が2〜6名の一般的なインタビューやポッドキャストでは、large_meetingはデフォルト（false）のままにします。全体会議や法廷の録音、パネルディスカッションなど7〜9+名の話者が含まれる音声を文字起こしする場合は、"large_meeting": trueを設定することで、ダイアライゼーション処理が追加の話者クラスタを確保し、発言頻度の少ない話者の声が他の話者に統合されるのを防ぎます。

ステップ1：文字起こしジョブの作成

AirCapsコンソールでアカウントを作成して5時間の無料枠を取得します（現在、残高をチャージするポータルはなく、無料枠は請求サイクルごとにリセットされます。枠を使い切ると402 insufficient_balanceが返されます）。curlで音声ファイルを送信します。

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"]
      }'

エンドポイントはジョブのidを返し、ステータスをprocessing（またはqueued）に設定します。GET /v1/transcripts/{id}をポーリングするか、POSTボディにwebhook_urlを渡すことで、ジョブ完了時にコールバックを受け取ることができます。

ステップ2：話者ラベル付きSRT/VTT字幕のエクスポート

文字起こしのステータスが完了したら、単語のタイムスタンプを字幕ブロックへ変換するカスタムスクリプトを自作する手間はかかりません。同じトランスクリプトIDに対して専用の/subtitlesエンドポイントを呼び出します。

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

formatクエリパラメータにはsrt（デフォルト）またはvttを指定できます（ブラウザの<track>要素に字幕を埋め込む場合は、SRTとVTTの比較ガイドも参考にしてください）。整数のchars_per_captionは1行あたりの文字数を制御するもので、10から200の間で厳密に指定する必要があります（デフォルトは42）。16:9のYouTube動画向けに字幕を書き出す際は42にしておくと1行にきれいに収まりますが、TikTokやReels向けの9:16縦型ショート動画を編集する際は、話者タグとテキストが3行に折り返されないようchars_per_captionを26に下げています。

返却されるapplication/x-subripファイルには、各発話の先頭に話者ラベルが直接埋め込まれます。

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.

同じポッドキャスト番組のホストやチームメンバーを定期的に文字起こしする場合は、A5S Async v1とAirCaps Speaker ID（音声1時間あたり$0.02）を組み合わせることができます。話者の声紋を事前にプロファイルへ追加しておくと、/subtitlesエンドポイントが[speaker_0]や[speaker_1]といった汎用タグを実際の名前（たとえば[Alex]や[Sam]）に自動で置き換えたSRTファイルを出力します。

---

本番運用時の制限：5ジョブの同時実行上限・データプライバシー・公開ベンチマークによる検証

AirCaps A5S Async v1を実際のユーザー向けアプリケーションに組み込む前に、ベンチマークの数値だけでは見えてこない3つの運用上の制約を把握しておく必要があります。

1. 同時実行5ジョブの上限とFIFOキュー

デフォルトでは、すべてのAirCapsアカウントにおいて同時に実行できる非同期ジョブは最大5件に制限されています（文字起こしリクエストと単体のダイアライゼーションリクエストで共有）。ユーザーが会議の録音25件を一度にバッチアップロードした場合、最初の5件は即座に処理されますが（音声1時間あたり~10秒）、残りの20件は先入れ先出し（FIFO）の待機状態（queued）に入ります。

キューには1アカウントあたり最大2,000件の保留ジョブを保持でき、ジョブ作成エンドポイント（POST /v1/transcripts）には毎分600リクエストのレート制限が設けられています。2,000件のキュー上限または600 RPMの作成上限を超えると、Retry-Afterヘッダー付きのHTTP 429 Too Many Requestsが返されます。多数のユーザーが短いクリップを同時にリクエストするようなトラフィックの急増が見込まれる場合は、同期ポーリングではなくWebhookリスナーを構築するか、ローンチ前にAirCapsへ問い合わせて同時実行上限の引き上げを依頼してください。

2. デフォルトのモデル学習ポリシーとオプトアウト方法

初期設定では、標準アカウントで送信された顧客の音声および文字起こしテキストは、将来のモデルの学習やベンチマークに使用される場合があるとAirCapsは明記しています。アップロードされた元の音声ファイルは24時間キャッシュされ（同じfile_idでジョブの再実行が可能）、24〜48時間以内にサーバーから完全に消去されます。一方、生成された文字起こしテキストはデフォルトで30日間保存されます（API経由で文字起こしを削除すると、紐づく音声ファイルも即座に削除されます）。

機密性の高い顧客との通話や医療インタビュー、公開前のエピソードを文字起こしする場合は、有料残高プランへアップグレードしたうえでAirCapsコンソール（Settings -> Data controls）を開いてください。そこからモデル学習をオフに切り替え、文字起こしの保存期間を最短1時間まで短縮できます（またはエンタープライズ向けのゼロデータ保持契約をリクエストすることも可能です）。

3. 公開ベンチマークを用いた自社音声での精度検証

a5s-async-v1は重みが公開されていないクローズドなクラウドモデルであるため、ローカル環境でアーキテクチャを直接調査することはできません。しかしAirCapsは、データセットの準備スクリプト、ノーマライザー、cpWERスコアリングパイプライン、および競合他社モデルの生のAPI出力結果を含む評価スイート全体を、MITライセンスのもとgithub.com/aircaps/a5s-async-v1-benchmarkで公開しています。

リーダーボードの集計値だけを鵜呑みにするのではなく、手元にある最もノイズの多い15分程度の複数話者録音をアカウントの5時間の無料枠で処理し、本番パイプラインを切り替える前に公開リポジトリを使って自社の正解テキストと照らし合わせてスコアを計測してみることをおすすめします。