AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)とは?
AssemblyAI-STT-3.7は、2026年11月18日に発表された3つの音声認識モデルからなるファミリーです。STT-3.7は録音済み音声を、STT-3.7-Realtimeはライブの会議、通話、字幕を扱い、ストリーム内で話者ラベルを付けます。STT-3.7-Realtime-Agentは音声エージェント向けに調整されており、ボットに話しかける人の声を聞いて、発話の番が終わったかどうかを判断します。
3モデルとも対応言語は従来の18から32に増え、言語の自動判定と会話途中の言語切り替えに対応します。録音済み音声では、旧モデルのUniversal-2を併用すると99言語まで広がります。語彙はキーワード指定で調整でき、リアルタイムモデルでは400文字のプロンプトも使えます。
このファミリーはUniversal-3.5 ProとUniversal-Streamingモデルを置き換えます。エンドポイントとメッセージ形式は変わりませんが、2つの初期設定が逆になりました。フィラー(言いよどみ)が残るようになり、テキスト整形が有効になっています。
AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)の料金は?
| プラン | 価格 | 内容 |
|---|---|---|
| STT-3.7 | $0.21 an hour | 録音済み音声、32言語、Universal-2で99言語まで補完 |
| STT-3.7-Realtime | $0.30 an hour | ライブの会議、通話、字幕。リアルタイムの話者ラベル付き |
| STT-3.7-Realtime-Agent | $0.45 an hour | 音声エージェント向け。発話終了の検出付き |
STT-3.7は1時間$0.21、STT-3.7-Realtimeは1時間$0.30、STT-3.7-Realtime-Agentは1時間$0.45です。録音済み音声の話者ラベルは1時間あたり$0.02の追加です。Universal-2は1時間$0.15のまま。$50の無料クレジットがあります。
AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)は使う価値があるか?
AssemblyAIは今回のリリースを電話の通話を軸に組み立てており、それが結果に表れています。同社独自の12,460件の音声エージェント通話のデータで26のストリーミングモデルを比べたところ、STT-3.7-Realtime-Agentの単語誤り率は4.53%で、Sonioxの新しいv6の6.02%を下回りました。数字の誤りは前モデルの11.28%から2.27%に減っています。最終的な文字起こしは、話者が話し終えてから86ミリ秒で届きます 。独立系のVoice Arenaでも米国英語のストリーミングで首位となり、意味的誤り率は2.45%でした。
録音済み音声では差が縮まります。Artificial AnalysisはSTT-3.7の単語誤り率を2.5%と測定しており、順位は12位で、1.9%のElevenLabs Scribe v3に後れを取ります。一方、話者の識別ではAssemblyAIが先行しています。英語の会話データ6セットでダイアライゼーション誤り率は10.7%で、ElevenLabsの12.0%を下回り、同社が試したほかの事業者で15%を切ったところはありませんでした。いずれもAssemblyAIが8月から11月にかけて測定した数字です。
注意点:初期設定が知らないうちに変わります。フィラーとテキスト整形が初期状態で有効になったため、句読点のないきれいなテキストを前提にした後段のコードは確認が必要です。また32言語以外の録音音声は、Universal-2を指定しない限り自動で別モデルに切り替わらなくなりました。Universal-3.5 Pro Realtimeは2027年2月1日に提供終了となります。
結論:音声エージェントなら、1時間$0.45で、雑音が多く数字の多い通話について最も裏付けのあるモデルが使えます。文字起こしのアーカイブには$0.21のバッチモデルが無難な選択ですが、最も低い誤り率を求めるなら、上位に2、3社の競合がいます。
真価を発揮する場面
薬局チェーンの自動処方更新ライン
処方番号と生年月日を一度で正しく聞き取る
薬品名をキーワードに登録し、通話をassemblyai-stt-3-7-realtime-agentにストリーミングします。AssemblyAIによると数字の誤りは前モデルより80%減りました。通話10,000時間で約$4,500です。
営業分析のスタートアップ
英語、スペイン語、ドイツ語で録音した商談で、誰が何を言ったかを記録する
STT-3.7のバッチ処理に話者ラベルを付けて1時間$0.23($0.21にダイアライゼーションの$0.02を加算)。複数言語が混ざる通話も、事前に言語を選ばずに処理できます。
導入前に確認すること
- 導入
- 既存の文字起こしエンドポイントでspeech_modelsを["assemblyai-stt-3-7"]に設定するか、ストリーミングのソケットをassemblyai-stt-3-7-realtimeまたは-realtime-agentで接続します。プロトコルの変更はありません。
- 連携
- AssemblyAIのRESTおよびストリーミングAPIとSDK、LiveKitとPipecat向けのリファレンスエージェント。AssemblyAI-TTS-1と組み合わせると、同社のテストでは1往復が約250 msでした。
- データとプライバシー
- AssemblyAIのデータポリシーでは、個人情報を除去したうえで顧客の音声を初期設定で学習に使います。有料アカウントはオプトアウトでき、BAAアカウントとEUアカウントは常に対象外です。重みは公開されていません。
- 大規模利用時のコスト
- 録音音声100,000時間で約$21,000、同じ量をエージェントモデルで処理すると$45,000です。ストリーミングはソケットが開いている間、無音時間も含めて課金されます。
- 制限
- ネ イティブ対応は32言語で、それ以外はUniversal-2が必要です。Realtimeモデルには発話終了の検出がありません(Agentモデルを使用)。Universal-3.5 Pro Realtimeは2027年2月1日に終了します。
良い点
- 12,460件のエージェント通話で誤り率4.53%、AssemblyAIの比較では26のストリーミングモデル中最低
- エージェントモデルでは発話終了から86 msで最終テキスト
- 録音音声のダイアライゼーション誤り率10.7%でElevenLabsを上回る
- 言語切り替え対応の32言語、Universal-2併用で99言語
気になる点
- Artificial Analysisでは2.5%で12位、Scribe v3に及ばない
- 比較の数字の多くはAssemblyAI自身のもの
- 初期設定の変更でUniversal-3.5 Pro向けのパーサーが壊れる恐れ
- エージェントモデルはバッチ料金の2倍以上
おすすめの人
数字、名前、話者の交代を確実に扱う必要がある電話・Web向け音声エージェントの開発チームと、誰が何を言ったかを最も重視する通話分析チーム。
AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)の代替
AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent):よくある質問
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)は使う価値があるか?
- AssemblyAIが存在感を示すのは音声エージェント向けモデルです。通常の録音音声では優秀で安価ですが、もはや最高とは言えません。 評価は5点満点中4.4点です。
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)の料金は?
- STT-3.7は1時間$0.21、STT-3.7-Realtimeは1時間$0.30、STT-3.7-Realtime-Agentは1時間$0.45です。録音済み音声の話者ラベルは1時間あたり$0.02の追加です。Universal-2は1時間$0.15のまま。$50の無料クレジットがあります。
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)の欠点は?
- Artificial Analysisでは2.5%で12位、Scribe v3に及ばない; 比較の数字の多くはAssemblyAI自身のもの; 初期設定の変更でUniversal-3.5 Pro向けのパーサーが壊れる恐れ; エージェントモデルはバッチ料金の2倍以上.
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)は誰に向いているか?
- 数字、名前、話者の交代を確実に扱う必要がある電話・Web向け音声エージェントの開発チームと、誰が何を言ったかを最も重視する通話分析チーム。
- チームや本番環境でAssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)を使うと費用はいくらか?
- 録音音声100,000時間で約$21,000、同じ量をエージェントモデルで処理すると$45,000です。ストリーミングはソケットが開いている間、無音時間も含めて課金されます。
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)は企業データを扱っても安全か?
- AssemblyAIのデータポリシーでは、個人情報を除去したうえで顧客の音声を初期設定で学習に使います。有料アカウントはオプトアウトでき、BAAアカウントとEUアカウントは常に対象外です。重みは公開されていません 。
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)の代わりになるものは?
- 当サイトでレビューした中で最も近い代替はElevenLabs Scribe v3 and Scribe v3 Live, Soniox STT v6 (stt-rt-v6 and stt-async-v6), Deepgram Nova-3 、 Voxtral 3 (Transcribe and TTS)です。
回答確認日:2026年11月21日