話者分離SDKの比較（2026年）：Krisp、ai-coustics、AssemblyAI、LiveKit、Anecho

要約。 2026年10月時点で、音声エージェント向けに主話者の分離をうたう製品は5つあります。Krisp VIVA（Voice Isolation 2.5、サーバーSDK、CPUで15 ms、価格は非公開）、ai-coustics Quail Voice Focus 2.2（オンプレミスSDK、30 ms未満、年払いで月$135から）、AssemblyAI Voice Focus（同社のストリーミング音声認識の中のオプション、1時間あたり+$0.10）、LiveKit Cloud音声分離（LiveKit Cloud内のKrispまたはai-cousticsのモデル、プランの付属分を超えると1分あたり$0.0012）、そしてAnecho v8_2（プロセス内SDK、CPUで15 ms、毎月10,000分無料の後は1分あたり$0.0010）です。NVIDIAのSpeaker FocusエフェクトはNVIDIA GPU上のアーリーアクセスで、Picovoice Koalaは話者分離ではなくデバイス上のノイズ抑制です。どれが合うかは、ラベルではなく、音声がどこで処理され、どのように聞こえるかで決まります。

当社はこれらの製品の1つを販売しているため、この投稿には利益相反があります。検証できるように、以下のベンダーに関する事実はすべて、2026年10月に取得したベンダー自身のページにリンクしており、ベンダーが何も公開していない場合は「非公開」と記しています。価格は2026-10-20時点の掲載価格で、変わることがあります。この投稿の品質の数字はすべて当社自身のベンチマークによるもので、当社が測定していないベンダーはそう明記しています。

比較表

製品	実行場所	宣言されたレイテンシ	サンプルレート	統合	公開価格（2026-10-20時点の掲載）	セルフサービス	主話者の分離をうたっているか
Anecho v8_2	自社サーバー上のプロセス内、CPU。ホスト型APIもあり	アルゴリズム遅延15 ms	SDKは16 kHz。ホスト型APIは任意のレートを受け付ける（8、24、44.1、48 kHz）	NodeとPythonのSDK。LiveKitとPipecatのガイド	毎月10,000分無料の後$0.0010/分。$0.0008 >100k、$0.00065 >1M、$0.0005 >10M	はい、キーを即時発行、カード不要	はい
Krisp VIVA, Voice Isolation 2.5	サーバー側、オンプレミスまたは自社クラウド、CPU。エッジ向けにLite版	15 ms	16 kHz。HD版は32 kHz	サーバーSDK：Python、Node.js、Go、iOS。LiveKit、Pipecat	非公開（申請／営業に問い合わせ）	いいえ、アクセスを申請	はい
ai-coustics Quail Voice Focus 2.2	オンプレミスSDK	30 ms未満（価格ページ）	ネイティブ16 kHz。SDKは8〜192 kHzを受け付け、内部でリサンプリング	SDK：Python、Node.js、C、Rust、WASM。LiveKit、Pipecat	月$135（100K分）〜月$540（500K分）、年払い。Enterpriseは月$2,000から	はい、Businessまではチェックアウトで購入	はい
AssemblyAI Voice Focus	クラウド、ストリーミングSTTの中	非公開	sample_rateを音源に合わせて設定。一覧は非公開	ストリーミングSTTのオプション（voice_focus）	Universal-3.6 Pro Realtime（基本料金$0.45/時）に+$0.10/時（$0.0017/分）	はい、$50の無料クレジット、カード不要	はい
LiveKit Cloud音声分離	LiveKit Cloud（Krisp VIVAまたはai-coustics Voice Focus 2.1）	非公開	記載なし	Agentsプラグインのフィルター	付属分を超えると$0.0012/分（Build 100、Ship 1,000、Scale 10,000）	はい、LiveKit Cloudのプランで	はい
NVIDIA AFX SDK, Speaker Focus	NVIDIA GPU。サーバーはLinux、クライアントはWindows	非公開	16または48 kHz	Audio Effects SDK（Windows、Linux）	非公開	Early Accessプログラム	はい
Picovoice Koala	デバイス上：Linux、macOS、Windows、Android、iOS、ブラウザー、Raspberry Pi	非公開	実行時にエンジンから読み取る。非公開	SDK。Pipecatフィルター	非公開	無料のAccessKey登録、カード不要	いいえ、ノイズ抑制
DeepFilterNet / GTCRN（オープンソース）	実行する場所ならどこでも	リポジトリでは非公開	DeepFilterNetは48 kHz。GTCRNは記載なし	ソースコード	無料（MITまたはApache-2.0。MIT）	はい	いいえ、ノイズ抑制／音声強調

各行の出典は末尾の出典一覧にあります。2つのセルには注記が必要です。LiveKitの価格ページは音声分離の枠にai-coustics Voice Focus 2.1と記載していますが、ai-coustics自身のモデルリファレンスはVoice Focus 2.2を掲載しています。私たちはそれぞれのページの記載どおりに報告しています。AssemblyAIのVoice FocusのドキュメントはUniversal-3.5 ProとUniversal-3.6 Proを挙げており、価格ページはUniversal-3.6 Pro Realtime向けのアドオンを掲載しています。

ベンダー別

Anecho

当社の製品です。モデルは1つ、v8_2で、4.0 MB、1.0 Mパラメータです。NodeまたはPythonのSDKから自社のプロセスに読み込みます。16 kHzのfloat32モノラルを受け取り、15 ms後に同じサンプル数を返し、CPU 1コアでリアルタイムに動作します（SDKドキュメント）。SDKはリサンプリングを行いません。ホスト型APIはステートフルなリサンプラーを通じて任意のレートを受け付け、返します。価格は公開された1つの段階制です。毎月10,000分無料、その後は1分あたり$0.0010で、1,000万分を超えると$0.0005まで下がります（価格）。キーはダッシュボードから、カードも通話も不要で取得できます。

Krisp VIVA

Krispの開発者ページは、VIVAを5つのモデルのスイートとして説明しています。Voice Isolation 2.5、Turn Prediction、Interruption Prediction、音声区間検出、信号検出器です。Voice Isolation 2.5にはDefault、Balanced、Lite、HDの各版があり、15 msと宣言され、CPUで動作し、PCM 16 kHzモノラル（HD：32 kHz）を受け取ります。ページには"Isolate the primary speaker's voice"（主話者の声を分離する）とあります。開発者向け価格ページにはEarly stageとEnterpriseの2つのティアがあり、どちらも"Apply Now"に進みます。価格は掲載されていません。Krispはプラットフォームの中でも再販されています。Pipecat CloudはKrisp VIVAを毎月10,000分無料の後1分あたり$0.0015で掲載し、LiveKit Cloudは音声分離の枠でこれを使い、Telnyxは"Noise Suppression - Krisp"を片方向1分あたり$0.005で掲載しています。当社はKrispを測定していません。そのため、この投稿はその品質について何も述べません。

ai-coustics Quail Voice Focus

ai-cousticsのモデルリファレンスは、Quail Voice Focusを"one primary speaker for machine listening"（機械が聞くための1人の主話者）を対象とするものと説明しており、SとLのサイズがあり、ネイティブは16 kHzです。SDKは8〜192 kHzを受け付け、内部でリサンプリングします。SDKはPython、Node.js、C、Rust、WASM向けがあり、LiveKitとPipecatとの統合があります。価格ページは、Startupを月$135（100,000分）、Proを$360（300,000分）、Businessを$540（500,000分）で掲載しており、いずれも年払いで、オンプレミスSDKでの導入と30 ms未満の"real-time processing"が含まれます。Enterpriseは月$2,000からで、オフラインまたはエアギャップのライセンスが加わります。当社はai-cousticsを測定しています。下の「当社が測定したもの」をご覧ください。

AssemblyAI Voice Focus

Voice Focusは独立したSDKではなく、AssemblyAIのストリーミング文字起こしのパラメータです。ドキュメントはこれを"isolate the primary voice and suppress background noise on streaming transcription"（ストリーミング文字起こしで主たる声を分離し、背景ノイズを抑制する）方法と説明しており、near-fieldとfar-fieldのモードと、0.0〜1.0のvoice_focus_threshold（既定値0.7）があります。価格ページは、基本料金が1時間あたり$0.45のUniversal-3.6 Pro Realtimeに対して1時間あたり+$0.10と掲載しています。音声はAssemblyAI自身の認識器までしか届かないので、それがあなたのSTTである場合にのみ役立ちます。当社はAssemblyAI Voice Focusを測定していません。

LiveKit Cloud音声分離

LiveKit Cloudは音声分離を従量課金の項目として販売しており、その中身はKrisp VIVA、Krisp VIVA telephony、ai-coustics Voice Focusです。ドキュメントは、これが"emphasizes the primary speaker and reduces competing speech or noise"（主話者を強調し、競合する発話やノイズを減らす）と述べ、複数話者やダイアライゼーションの用途には代わりに通常のノイズ抑制を勧めています。価格ページでは、Buildに100分、Shipに1,000分、Scaleに10,000分が含まれ、その後は1分あたり$0.0012です。モデルはLiveKit Cloudを通じて提供されます。セルフホストのサーバーでは、自社のai-cousticsライセンスキーがあればai-cousticsを引き続き使えるとドキュメントは述べています。品質は基になるモデルの品質です。

NVIDIA Audio Effects SDK, Speaker Focus

NVIDIAのAudio Effects SDK（Maxineの一部）には、"identifies and isolates the primary speaker from all other speakers"（ほかのすべての話者から主話者を識別して分離する）Speaker Focusエフェクトが掲載されています。16または48 kHz、モノラルで、"currently available under the Early Access program"（現在Early Accessプログラムで提供中）と記載されています。ドキュメントはCPUでの経路ではなくNVIDIA GPUごとのスループット（T4〜B100）を公開しており、Linux SDKはサーバー側での導入向けに最適化されていると説明されています。公開価格やレイテンシの数字は見つかりませんでした。当社では測定していません。

Picovoice Koala

Koalaは、Linux、macOS、Windows、Android、iOS、ブラウザー、Raspberry Pi向けの"an on-device noise suppression engine"（デバイス上のノイズ抑制エンジン）で、Pipecatフィルターとして利用できます。これはノイズ抑制であり、話者分離ではありません。2人目の声は発話であり、Koalaが除去するように作られているものではありません。サンプルレートとフレーム長は実行時にエンジンから読み取られます。公開された値、レイテンシの数字、そして無料のAccessKey登録以外の価格表は見つかりませんでした。当社では測定していません。

オープンソースのベースライン

DeepFilterNet（MITまたはApache-2.0、48 kHz）とGTCRN（MIT、約48.2Kパラメータ）は、ノイズ抑制と音声強調のモデルであり、話者分離ではありません。どちらも出荷可能なベースラインとして当社のベンチマークに載っています。19条件でプールすると、GTCRNは20.14%のWER、DeepFilterNet3は34.04%で、未処理の音声は14.32%でした。

当社が測定したもの

上の製品のうち2つが当社の公開ベンチマークに載っています。当社のものと、ライセンスを受けたSDKで参照用に動かしたai-cousticsのものです。Krisp、AssemblyAI、LiveKitの枠、NVIDIA、Koalaは載っていません。

• クリップ行列では、プールすると生の音声に勝つものはない。 19条件の行列では、未処理の音声が14.32%のWER、ai-coustics Quail Lが15.18%、当社のv8_2が16.59%、ai-coustics Quail VF 2.2 Lが17.59%です（faster-whisper base.en、10話者）。
• 通常のノイズ：Quail Lが先行。 Quail Lはノイズモデルで、プールした行列で生の音声に最も近いエンジンです。問題が騒がしい部屋にいる1人の話者なら、通常のノイズ抑制が合った道具です。
• ライブ会話、faster-whisper：互角。 faster-whisper base.enで採点した合成した200本の会話では、v8_2 − Quail VF 2.2 Sは−0.13 pp [−4.56, +4.47]で、互角であり、どちらのエンジンも生の音声に勝っていません。
• ライブ会話、Gemini Live：v8_2が先行。 同じ会話をGemini Liveの入力書き起こしで採点すると、v8_2 − VF Sは−6.47 pp [−9.89, −3.26]で、v8_2は生の音声に勝ちます（−4.10 pp [−6.28, −1.98]）。VF Sと生の音声は互角です。
• 条件が決める。 マイクに近い話者と、話者と同じくらい大きな背景の声では、faster-whisperではv8_2が37.19%のWER、VF Sが55.94%で、Gemini Liveでは33.06%対60.95%です。話者がマイクから0.5〜1.5 m離れていると、faster-whisperではVF Sが+9.58 pp [+5.52, +13.90]先行します。Gemini Liveでは−10 dBで先行し（+7.74 pp [+2.48, +12.77]）、roomのプールは互角です。VF Sは間もより静かに保ち（話者の間における背景の抑圧は17.4 dBで、v8_2は8.5 dB）、Gemini Liveのもとでは誤ったバージインも少なくなります。VF Sが52回、v8_2が125回、生の音声が97回です。

すべてbenchmark.jsonにあり、注意事項は/benchmarkにあります。合成したミックス、プールの判定が食い違う2つの認識器、話者の集合は小さい、という点です。

用途別の選び方

• LiveKit Cloudで動かしている。 組み込みの音声分離の枠が最短の道で、プランを超えた分は1分あたり$0.0012です。自分で読み込むモデルが欲しい場合は、LiveKitでの話者分離をご覧ください。
• STTがAssemblyAIのストリーミング。 Voice Focusは統合ではなくパラメータです。ネイティブ音声モデル（Gemini Live、OpenAI Realtime）や2社目のSTTベンダーには何の効果もありません。それらにはプロセス内SDKが対応します。
• 音声をプロセスの外に出してはならない。 Anecho、KrispのサーバーSDK、ai-cousticsのオンプレミスSDKは自社のインフラで動作し、Koalaはデバイス上で動作します。GDPRとプロセス内音声をご覧ください。
• 公開価格と今日使えるキーが欲しい。 Anecho、ai-coustics、AssemblyAI、LiveKitは価格を公開し、セルフサービスで登録できます。Krispの直接契約とNVIDIAは価格を公開していません。分単位の計算は2026年の音声分離の価格にあります。
• 8 kHzの電話音声。 Krispは電話向けの版（LiveKit経由）を掲載し、Voice Isolation 2.5は狭帯域音声に対応するとしています。ai-cousticsのVoice Focusはネイティブ16 kHzで内部リサンプリングを行います。当社のSDKは16 kHzで、当社のホスト型APIは8 kHzを受け付けます。選ぶ前に音声エージェントにおける8 kHzと16 kHzをお読みください。
• マイクに近い発信者と、その背後の大きな声。 当社のライブ会話の実行では、ここでv8_2が先行します。
• 離れた話者、ターン間の静けさ、または誤った割り込み。 同じ実行で、Quail VF 2.2 Sは−10 dBの離れた話者で先行し、間をより静かに保ち、誤ったバージインも少なくなります。
• GPUのフリート。 NVIDIA Speaker FocusがGPUネイティブの選択肢で、アーリーアクセスです。

候補をどう絞り込むにせよ、話者分離の評価方法にあるとおり、何もしない対照と比べて自分の通話でテストしてください。当社のデータでは、すべての音声に対して分離モデルをオンにすることを数字は支持していません。

出典

すべて2026年10月に取得。価格は2026-10-20時点の掲載価格。

• Anecho：/docs/sdk、/docs、/pricing、/benchmark。
• Krisp：krisp.ai/developers/voice-isolation（モデル、15 ms、16および32 kHz、SDKの言語、統合）。krisp.ai/developers/pricing（Apply Now、価格なし）。krisp.ai/blog/voice-isolation-2-5（CPU、狭帯域対応）。
• Pipecat Cloud：daily.co/pricing/pipecat-cloud（Krisp VIVA、10,000分無料、$0.0015/分）。
• Telnyx：telnyx.com/pricing/call-control（Noise Suppression - Krisp、片方向1分あたり$0.005）。
• ai-coustics：ai-coustics.com/pricing（ティア、30 ms未満、オンプレミスSDK）。docs.ai-coustics.com/reference/sdk/models（Voice Focus 2.2、16 kHz、SDKの言語）。docs.ai-coustics.com/guides/models（8〜192 kHz、内部リサンプリング）。
• AssemblyAI：assemblyai.com/docs/streaming/voice-focus（モード、しきい値、モデル）。assemblyai.com/pricing（+$0.10/時、基本料金$0.45/時、$50のクレジット）。ストリーミングのクイックスタート（sample_rateは音源に合わせる）。
• LiveKit：livekit.com/pricing（音声分離のモデル、付属分、$0.0012/分）。docs.livekit.io noise cancellation（実行場所、プラグイン、主話者に関する記述）。
• NVIDIA：Speaker Focus effect（アーリーアクセス、16または48 kHz、GPUのスループット）。AFX SDK user guide（プラットフォーム）。
• Picovoice：picovoice.ai/docs/koala（デバイス上、プラットフォーム、AccessKey）。Koala Python API（サンプルレートは実行時に読み取り）。Pipecat Koala filter。
• オープンソース：DeepFilterNet（48 kHz、MITまたはApache-2.0）。GTCRN（MIT、48.2Kパラメータ）。

FAQ

話者分離とノイズ抑制の違いは何ですか？

話者分離は1人の主話者を残し、ほかの声を含むそれ以外をすべて除去します。ノイズ抑制は非発話ノイズを除去し、発話はすべて残します。表では、Krisp VIVA、ai-coustics Voice Focus、AssemblyAI Voice Focus、LiveKit音声分離、NVIDIA Speaker Focus、Anechoが分離をうたっており、Koala、DeepFilterNet、GTCRNはノイズ抑制です。話者分離とは何かをご覧ください。

自社のプロセス内でCPUで動く話者分離SDKはどれですか？

出典を確認できた製品のうち、KrispのサーバーSDK（15 ms、CPU）、ai-cousticsのオンプレミスSDK（30 ms未満）、AnechoのSDK（15 ms、CPU）が自社のインフラで動作します。NVIDIA Speaker FocusはGPUのスループットを公開しています。AssemblyAIとLiveKitの枠は、それぞれのクラウドで動作します。

価格を公開している話者分離製品はどれですか？

2026-10-20時点の掲載では、Anecho（毎月10,000分無料の後$0.0010/分）、LiveKit Cloud（付属分を超えると$0.0012/分）、ai-coustics（年払いで月$135から）、AssemblyAI（+$0.10/時）です。Krispの直接契約とNVIDIAは価格を公開していません。Krisp VIVAはPipecat Cloudで$0.0015/分で再販されています。

Anechoはai-cousticsより優れていますか？

認識器と条件によります。当社のライブ会話ベンチマークでは、プールした結果はfaster-whisper base.enでは互角で（−0.13 pp [−4.56, +4.47]）、未処理の音声に勝つエンジンはありません。Gemini Liveの入力書き起こしではv8_2が先行します（−6.47 pp [−9.89, −3.26]）。マイクに近い話者と大きな背景ではv8_2が先行し、離れた話者、間の抑圧、誤ったバージインではQuail VF 2.2 Sが先行し、通常のノイズではQuail Lが先行します。

KrispやAssemblyAIは測定しましたか？

いいえ。どちらも当社のベンチマークには載っていないので、この投稿はその品質について何も主張しません。それぞれが公開している数字は、各社の主張です。

話者分離は常に文字起こしを改善しますか？

いいえ。当社の19条件の行列では、未処理の音声が14.32%のWERで、プールするとどのエンジンもそれより高くなりました。すべての音声で分離をオンにする前に、何もしない対照と比べて自分の通話でテストしてください。