日本語の文字起こし精度は何で決まるか — 公称値より先に見る5要素

公称値が比較に使えない理由

精度の数値は、どんな音声を、どういう基準で採点したかで大きく変わる。1人がマイクに向かって原稿を読んだ音声なら、どのサービスでも高い数値が出る。4人が会議室で同時に話し、専門用語が飛び交う音声では、同じサービスでも数値が落ちる。

さらに、何を誤りと数えるかの基準も各社で違う。助詞の誤り、句読点の位置、漢字とかなの選択をすべて誤りに数えるか、意味が通れば正解と数えるかで、同じ結果が90%にも98%にもなる。第三者が統一条件で検証した公開データがないため、公称値の比較は意味を持たない。

1. マイクと収録経路

最も影響が大きい。各参加者が自分の端末のマイクで話すオンライン会議は、音声が分離されているので精度が高い。会議室に1台のマイクを置いて複数人を拾う構成は、遠い人の声が小さく、残響が乗るため精度が落ちる。

改善の余地が最も大きいのもここである。ツールを替えるより、会議室にマイクを足すか、全員が自分の端末からオンラインで参加するほうが効果が出る。

2. 話者の人数と重なり

話者分離の精度は人数に反比例する。2人なら安定するが、5人以上で発言が重なると、誰の発言かの割り当てが崩れる。議事録として使うなら、司会が「それでは田中さんから」と名前を呼ぶ運用を入れるだけで、後から照合できるようになる。

3. 専門用語と固有名詞

社名、製品名、業界の略語は一般の辞書にない。多くのツールには用語辞書を登録する機能があるので、頻出する30語を登録するだけで体感精度が大きく変わる。これをやらずに「精度が低い」と判断するのは早い。

4. 環境音

空調、キーボードの打鍵音、別の部屋の会話。とくにキーボードの音は、マイクに近いため大きく入る。議事録を取りながらタイピングする人がミュートしていないと、その人の発言が聞き取れなくなる。

5. 話し方

「えー」「あのー」が多い話し方、言い直しが多い話し方、語尾を濁す話し方は、文字起こしの結果が読みにくくなる。これは精度の問題ではなく、話し言葉をそのまま文字にした結果である。要約機能を通すと読める形になるので、文字起こしの生の結果で判断しないほうがよい。

自社で検証する手順

• 1. 普段の会議を1本、いつもの構成でそのまま録る（実験用に整えない）
• 2. 候補のツール2〜3つに同じ音声を通す
• 3. 冒頭5分だけを人が聞いて、誤りの箇所に印を付ける
• 4. 誤りを「意味が変わる誤り」と「読めば分かる誤り」に分ける
• 5. 前者の数だけを比べる

4の切り分けが要点である。助詞の揺れや漢字の選択は読めば分かるので、業務上の影響は小さい。問題になるのは、数値の誤り、固有名詞の取り違え、肯定と否定の反転である。この3種類だけを数えると、ツールの実用上の差がはっきり出る。

5分で足りる。1時間ぶんを全部突き合わせても、順位は5分で出た結果と変わらないことが多い。検証に時間をかけすぎて導入が遅れるほうが損失が大きい。

精度より先に効く3つの改善

よくある質問

Q. 方言や訛りがあると精度は落ちますか。

A. 落ちる傾向があります。ただし標準語に近い語彙で話されていれば実用に足ることが多く、影響はマイクの品質より小さいのが実感です。関係者に方言話者が多い場合は、必ず実際の音声で検証してください。

Q. 英語と日本語が混ざる会議はどうですか。

A. 混在は苦手です。技術系の会議では英語の固有名詞が多く出るため、用語辞書への登録が特に効きます。言語を自動判別するツールでは、切り替えの箇所で誤りが増えます。