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

> AirCaps A5S Async v1を検証。VoiceArenaで23.89%のcpWERを記録し発話重複でNemotron 3.5を上回る理由、2026-11-12時点の$0.18/hrの料金、SRT出力の注意点を解説します。

- URL: https://freelivecaption.com/ja/posts/aircaps-a5s-async-v1
- Author: 渡辺 奈々 (https://freelivecaption.com/ja/about)
- Topic: 音声入力 (https://freelivecaption.com/ja/topics/dictation)

## 要点

- AirCaps A5S Async v1（a5s-async-v1）はVoiceArenaのDiarization-Benchで#1（cpWER23.89%/17.47%）です。
- 単語・話者割当の置換エラーを18.43%から10.88%へ抑え、#2のNVIDIA Nemotron 3.5 Transcribe（cpWER32.43%）を上回ります。
- 2026-11-12時点で$0.18/hr（ミリ秒課金・無料5時間）とDeepgram Nova-3（$0.39/hr）やAssemblyAI（$0.28/hr）より安価です。
- 自動言語検出なしで9言語に対応し、1回の処理で話者タグ付きのSRT/VTT字幕を直接エクスポートできます。

---

AirCaps A5S Async v1（`a5s-async-v1`）は、参加者同士が発言を遮ったり同時に話したりする複数話者の録音において、現在最も精度の高いクラウド音声認識APIです。VoiceArenaが139件の複数話者会話（参加者2〜8名、合計約22時間の音声）で実施したブラインド評価では、A5S Async v1が15システム中#1を獲得し、全体cpWER（concatenated minimum-permutation Word Error Rate）は**23.89%**（オンラインVoIP通話で**17.47%**、遠距離マイクによる対面会議室の録音で**24.91%**）を記録しました。

5人編成のAirCaps AIチームがホスト型REST APIとして公開しており、料金は音声1時間あたり**$0.18**（新規アカウントには**5時間の無料枠**を付与）です。英語、スペイン語、フランス語、ドイツ語、ポルトガル語、ヒンディー語、日本語、韓国語、中国語の**9言語**に対応し、音声認識、話者ダイアライゼーション（話者分離）、単語レベルのタイムスタンプ取得、話者ラベル付きSRT/VTT字幕の生成を1回のリクエストで完結できます。

複数ホストのポッドキャスト編集や議事録作成、字幕生成パイプラインの構築において、文字起こしの品質を損なう最大の原因は単なる単語の聞き間違いではありません。修正に最も時間を取られるのはクロストーク（発話の重複）です。2人が同時に話した際、従来のモデルでは両者の声が1つの段落に結合されたり、発言が別の話者に誤って割り当てられたりします。本記事では、A5S Async v1がNVIDIAやElevenLabsと比較してどのように発話の重複を処理するのか、本番運用時の実際のコスト、そして最初の音声バッチを送信する前に把握しておくべきパラメータの仕様を解説します。

---

## 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](/en/posts/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。

| システム | VoiceArena順位 | 全体cpWER | 削除（聞き逃し） | 置換（誤認識・話者誤割当） | 挿入（余分な単語） |
| :--- | :--- | :--- | :--- | :--- | :--- |
| **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% | — | — | — |

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](/en/posts/voxtral-3-vs-nemotron-3-5)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cpWER**21.51%**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。

| プロバイダー・モデル | 同条件での料金（音声1時間あたり） | 5データセットマクロcpWER | 処理時間中央値（1時間音声ファイル） | 無料トライアル枠 |
| :--- | :--- | :--- | :--- | :--- |
| **AirCaps A5S Async v1** | **$0.18** | **21.51%** | **9.8 sec** | 5時間の無料枠（クレジットカード未設定で開始可） |
| **Meta Muse Voice Transcribe** | $0.18 | 34.57% | — | クラウドパートナーにより異なる |
| **ElevenLabs Scribe v2 / v3** | $0.27 | 40.11% (v2) | — | プランに応じたクレジット |
| **AssemblyAI Universal-3.5 Pro** | $0.28 | 32.00% | — | 無料枠のクレジット |
| **Google Gemini 3.5 Transcribe** | ~$0.30 (token-based) | 66.94% | — | AI Studio無料枠 |
| **Deepgram Nova-3** | $0.39 | 66.69% | 6.3 sec | 初回作成時に$200のクレジット付与 |
| **Microsoft MAI-Transcribe-2** | $0.10 promo ($0.54 list) | 41.59% | — | Azureトライアルクレジット |

*（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](/en/posts/elevenlabs-scribe-v3)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](/en/posts/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](https://aircaps.ai/docs)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。

```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"]
      }'
```

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。

```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
```

`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](/en/posts/srt-vs-vtt)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。

```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.
```

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](https://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。

## 出典と確認

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

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