AI文字起こしの精度は足りる？｜選ぶ物差しと限界

音声を文字にする仕組みの精度は、正解の文章と見比べて、置き換わった語・増えた語・抜けた語の数を数える誤り率という物差しで測ります。2026年7月に公開された提供元の技術記事では、静かな環境で録った音声なら正解率95〜98%に届く一方、会議の通話では85〜92%、雑音のある環境では70〜85%まで落ちるという幅が示されています。「無料の道具で試したら、出席者の名前が全部違う語になっていました」「精度98%と書いてあったのに、うちの会議録では直しに1時間かかりました」。導入を任された部署から、こうした声が同じ週に届きます。足りないのは精度そのものではありません。精度という言葉が指している範囲が、売り手と買い手でずれていることが原因です。この記事では、AI文字起こしを選ぶときに見る物差しと、公表された数字が当てはまらなくなる条件、そして任せてはいけない工程までを整理します。

精度98%という数字が、自社の会議で再現しない理由

誤り率は決まった式で計算されます。置き換わった語、増えた語、抜けた語を足して、正解の総語数で割る。正解率はそこから逆算した値で、100からこの誤り率を引いたものです。2026年7月の提供元の技術記事は、9語のうち2語が誤っていれば誤り率22.2%、正解率77.8%になるという例を示しています。つまり正解率という言葉は、独立した性能ではなく、誤り率の裏返しにすぎません。

問題は、この式に入れる材料が提供元ごとに違うことです。同じ記事は、比べられない理由として3つを挙げています。正解の文章を人が作るときの揺れ、使った音声の質、評価の手順です。とくに表記の扱いが効きます。句読点を入れるか、数字を漢数字にするか、社名を正式名称で書くか。この選び方が違うだけで、内容は合っているのに誤りとして数えられます。

ここから導かれる実務の姿勢は単純です。同記事は「基準となる点数は出発点であって判定ではない」と書いています。カタログの数字は候補を絞るためには使えますが、採用の可否を決める材料としては、自社の会議音声で測った値しか使えません。

選定の会議で「精度は何%ですか」と聞くと、返ってくるのは条件付きの最良値です。聞くべきはどの音声で、誰が正解を作り、表記をどう決めて測った数字かの3点で、これに答えられない相手の数字は比較表に載せる意味がありません。

誤り率は3つの中身に分けて見る

同じ誤り率5%でも、直す手間はまったく違います。中身が3種類あるからです。置き換わった語は、別の語に化けている状態です。社名が同音の一般名詞になる、製品名が別の製品名になる。文章としては成立しているので、読み返しても気づきにくいのが厄介なところです。

増えた語は、音声に無かった語が現れる状態です。後で触れますが、用語の登録を強めたときの副作用として起きます。抜けた語は語が落ちる状態です。日本語は主語や助詞が省かれても文が成立するため、抜けたことに気づかないまま意味が反転する場合があります。「実施しない」の「ない」が落ちるのが最悪の形です。

だから合格の線を「誤り率5%以下」だけで引くと、置き換わりの多い道具が通ってしまいます。固有名詞に関わる置き換えを別枠で数えるのが、実務では効きます。

• 合計の誤り率だけを比較表に載せ、社名の取り違えが何件あったかを数えていない
• 「読めば分かる程度の誤り」とまとめて、抜けた語を数から除いてしまう
• 1本の音声だけで測り、静かな1対1の面談の結果を全社の判断に使う

数える単位も先に決めておきます。会議1本あたりの件数で数えるのか、1時間あたりで数えるのか。会議の長さが揃っていない状態で件数だけを比べると、長い会議を担当した道具が不利になります。

条件別の目安を先に持ってから比べる

自社の会議がどのくらいの精度に落ち着くのかは、道具を選ぶ前におおよそ見当が付きます。2026年7月の技術記事は、音声の状況ごとの正解率の目安を示しています。この幅を先に持っておくと、測った結果が「使えない」ではなく「この条件では8割」と言えるようになります。

音声の状況	正解率の目安	この行に当たる自社の音声
静かな環境で近くから録った音声	95〜98%	1対1の面談、収録した講演
会議の通話	85〜92%	画面共有しながらの定例会議
電話の通話	80〜88%	問い合わせ窓口の録音
雑音のある環境	70〜85%	展示会場、工場の現場
訛りや癖の強い発話	75〜90%	地方拠点との会議、通訳を挟む場

表の使い方は2つあります。1つは期待値をそろえることです。現場が「そのまま議事録になる」と思っているのに、実際は展示会場の音声で7割台なら、道具の問題ではなく期待の置き方の問題として説明できます。

もう1つは測る音声を選ぶことです。自社の会議の大半が定例の通話なら、静かな面談の音声で測っても意味がありません。実際に文字にしたい音声の分布に合わせて、測る材料を3種類そろえます。

なお複数の言語が混ざる音声は別格に難しい領域です。同じ記事では、混在した音声で最上位のものが平均7.69%の誤り率だった一方、別の大型モデルでは44.58%という開きが出ています。海外拠点との会議を対象に含めるなら、日本語だけの音声とは別に測る必要があります。

話者の切り分けは、別の物差しで測る

誰が話したかを分ける機能は、精度の話とは別に評価します。文字は合っていても発言者が入れ替わっていれば、議事録としては使えません。前述の技術記事によれば、話者の割り当ての誤りまで数える方式で測ると、値は一桁では収まりません。同社の最上位のものでも平均35.21%という数字が出ています。題材が違えば値は変わるので自社の会議に当てられる数字ではありませんが、文字の誤り率と同じ水準を期待してはいけないことは分かります。

仕組みの側も見ておきます。大手のクラウドの音声認識の公式文書では、話者の切り分けは話者の交代を検出して語ごとに番号を付ける方式だと説明されています。設定では最小人数と最大人数を渡します。つまり出席者が4人だと分かっているなら、それを渡したほうが当たりやすくなります。

同じ文書には見落としやすい仕様が書かれています。結果は積み上がる形で返り、全体の割り当てが入るのは最後の結果だけです。処理の途中に表示される文字列で発言者を確認しても、それは確定した割り当てではありません。試用のときに途中の画面を見て「使えない」と判断してしまう事故は、この仕様を知らないと起きます。

さらに、話者の切り分けが使えるかどうかは言語によって違うと明記されています。英語の紹介動画で動いていた機能が日本語では使えない、という事態は珍しくありません。試用の申し込み時に、日本語で話者の切り分けが動くかを確認事項に入れてください。

日本語の会議で崩れる5つの条件

落ちる条件はある程度決まっています。ここを知っていると、測る前に結果が予想できます。1つ目は同時発話です。相槌が発言に重なる、2人が同時に話し始める。話者の切り分けはこの区間でまとめて崩れます。日本語の会議は相槌が多いので、英語の会議より不利な条件です。

2つ目は初めて出てくる固有名詞です。社名、製品名、部署名、人名。とくに略した呼び方は音として短いため、別の語に化けやすくなります。3つ目はマイクからの距離です。比較記事でも「精度は道具の性能より入力音声の質で決まる部分が大きく、発言者の近くにマイクを置くと結果が改善する」と指摘されています。

4つ目は通話とその場の音の混在です。会議室に集まった数人が1台の端末で通話に入ると、遠い声が小さく入り、近い声が割れます。5つ目は言い直しと語尾の省略です。「じゃあそれで、いや待ってください」のような発話は、どこまでが決定なのか機械には分かりません。

• 同時発話が多い会議は、話者の切り分けの精度で選ぶより、発言者ごとに音を分けて録る仕組みで選ぶほうが早い
• 略した呼び方は、正式名称とセットで用語の登録に入れる
• 言い直しは機械の誤りではない。決定事項は人が確定させる工程として設計に組み込む

用語の登録は効くが、強めると言っていない語が出る

固有名詞の取り違えに対する定番の手当ては、用語を先に登録することです。国内の主要な文字起こしの道具にも、独自の用語を登録できる機能が備わっています。大手のクラウドの公式文書では、この仕組みを語句の集まりに重みを付けて、その語が選ばれやすくするものと説明しています。

ここに実務上とても重要な但し書きが付いています。重みは0より大きい実数で、実用上の上限は20とされています。そして公式の警告として、重みを上げると取りこぼしは減るが、音声に無かった語が出てくる誤りが増えると明記されています。前の章で挙げた「増えた語」は、この操作の副作用として現れます。

この性質を踏まえた始め方は控えめです。社名・製品名・部署名の略称を20から50語ほど登録し、重みは既定のままにする。1か月運用して、誤りの記録から足りない語を足す。最初から数百語を強い重みで入れると、関係のない会議で登録語が湧いて出て、かえって直しが増えます。

同音の語を両方登録するときは注意が要ります。どちらかに寄る挙動になるため、使い分けが文脈で決まる語の組は、登録せず人が直すほうが安全です。また、使える語の種類は書き起こしのモデルと言語によって変わると同じ文書に書かれています。日本語で使える範囲を確認してから設計してください。

指示文で語彙を寄せる方法と、その上限

登録とは別に、会議ごとに短い指示文を添えて語彙を寄せる方法もあります。提供元の公式文書によれば、旧世代の書き起こしの仕組みには224トークン（AIが文字を数える単位）までの指示文を渡せて、人名・略語・表記の癖・その録音に固有の語彙の認識を助けられるとされています。新しい世代では、語句や言語を別の欄で渡す形に整理されています。

ここで押さえるべきは、上限があるという事実です。全社の用語集を丸ごと渡すことはできません。だから運用は会議ごとに20語を選ぶ形になります。定例会議なら参加者名と扱う案件名、四半期の報告なら指標の名前。招待状から機械的に作れる範囲にとどめるのが続けやすい形です。

同じ文書には運用に響く制限も書かれています。1つのファイルは25メガバイトまでで、扱える形式も限られます。2時間の会議録をそのまま渡せないので、分割の手順を決めておかないと現場が止まります。話者の切り分けが専用のモデルでのみ対応する点も同様で、機能ごとに使えるものが違うため、必要な機能の組み合わせを先に書き出す必要があります。

なお同じ文書では、旧世代の仕組みが98言語に対応する一方で「言語によって精度は変わる」と明記されています。対応言語の一覧に日本語が載っていることは、日本語で実用になることを意味しません。

選ぶときに最初に確かめる4つの仕様

ここまでを踏まえると、比較表の列は絞れます。機能の一覧を全部並べるより、外したときに困る4つを確かめるほうが早く決まります。

仕様	確かめること	外すと起きること
対応言語と機能の組み合わせ	日本語で全機能が動くか。話者の切り分けが日本語で使えるか	紹介動画では動く機能が、日本語の会議では使えない
話者の切り分け	人数を渡せるか。何人までか。結果が確定するのはどの時点か	議事録の発言者が全部同じ人になる
用語の登録	登録できる語数。重みを調整できるか。誰が更新するか	社名が会議ごとに違う表記になり、検索できなくなる
音声の保存先と扱い	保存する国。学習に使わない設定。契約終了時に消せるか	契約が終わった後も、社外の会議の音声が残り続ける

この4つは試用の前に文書で確認できる項目です。逆に、要約の出来や画面の使いやすさは試用でしか分かりません。順番を逆にすると、使いやすいけれど日本語で話者の切り分けが動かない道具に時間を使うことになります。

表の4行目は、後から変更できない項目です。保存する国と学習利用の扱いは契約の話なので、選定の最後ではなく最初に確認するのが正しい順番です。

音声を渡す3つの入れ方を、先に決める

同じ道具でも、音声の入れ方には3通りあり、選定の結論はここで変わります。1つ目は会議の通話に参加者として入る形です。案内を送ると1人分の枠として入室し、その場で録りながら文字にします。2つ目は録音した音声を後から取り込む形。3つ目は会議の道具の側に残った録画を読み取る形です。

入れ方ごとに詰まる場所が違います。参加者として入る形は、相手の会議に入れるかどうかが相手側の設定で決まる点が制約になります。外部からの参加を制限している企業の会議には入れません。後から取り込む形は、前章で触れた1ファイル25メガバイトの制限が効くため、長い会議は分割の手順が要ります。録画を読み取る形は、そもそも会議の道具の側で録画の権限を持っていないと始まりません。

選定では、自社の会議の内訳を3つに割り振ってから比べます。社内の定例は録画の読み取り、社外との商談は参加者として入る形、現場の面談は端末で録って取り込む形。1つの道具で3通りすべてを満たすものを探すと候補が消えるので、会議の種類ごとに入れ方を変える前提で選ぶほうが現実的です。

参加者として入る形には、副産物として良い性質があります。相手の画面に1人分の枠として表示されるため、記録が取られていることが相手にも見えます。逆に、後から取り込む形は誰にも見えないので、録ること自体の伝え方を別に設計する必要があります。

管理の側も確かめます。法人向けのものには、利用者の管理や操作の記録を残す機能が用意されている場合があります。誰がどの会議を取り込んだかの記録が残らない道具は、社外の音声を扱う用途では選びにくくなります。

費用の型を見分ける

料金の形は大きく3つに分かれます。録音の分数で払う型、使う人の席数で払う型、処理した量で払う型です。同じ月額に見えても、会議の多い部署では分数型が跳ね、たまにしか使わない人が多い組織では席数型が無駄になります。

比べる前にやることは1つです。1か月に文字にしたい会議時間の合計を数える。定例会議の本数かける時間、面談の件数かける時間。この数字がないまま料金表を見ても、どの型が安いかは決まりません。

見落としやすいのは上限の側です。1か月あたりの分数の上限、1ファイルの長さの上限、同時に処理できる本数。前章で触れた25メガバイトの制限のように、上限は料金表ではなく技術文書に書かれていることが多いため、見積りを取る段で明示的に聞く必要があります。

無料の枠で試すときは、無料の枠と有料の枠で使えるモデルが同じかどうかを確認します。無料では軽いモデルが割り当てられていて、有料に切り替えると結果が変わる場合があります。測定は必ず、実際に契約する予定の枠で行ってください。

費用の話には、直しの人件費を必ず並べます。月額が半分の道具でも、固有名詞の置き換えが倍なら、直しに使う時間で逆転します。会議1本あたりの直し時間を測っておけば、月の会議本数をかけて比べられます。道具の料金だけを並べた比較表は、いちばん高い項目を表から外した表になっています。

社外の音声を入れる前に確かめる4条件

会議の録音には、社外の人の声と、社名や案件名と、ときには個人の事情が入ります。個人情報保護委員会は2023年6月2日の注意喚起で、個人情報を含む入力を生成AIのサービスに渡すときに確認すべきこととして、特定した利用目的の範囲内であることと、機械学習に利用されないことを挙げています。文字起こしも同じ枠組みで考えます。

2つ目は保存する国です。国外の設備に置かれるなら、外国にある第三者への提供として扱う手当てが必要になります。3つ目は消せるかどうかです。契約が終わったときに、録音・書き起こし・要約・添付した資料を消せるのか。ここが曖昧な道具は、社外の音声を入れる用途から外します。

4つ目は委託先としての監督です。利用規約と安全管理措置の記載を、法務の担当と一緒に読む工程を選定に組み込みます。画面の使いやすさで先に決めてしまうと、この4条件で差し戻されるのが典型的な手戻りです。

録音の同意をどう取るかは、これとは別の論点として整理が必要です。ここでは、録ったものを外の仕組みに渡す段で確かめる条件に絞りました。社内の会議だけを対象に始めて、社外が入る会議は条件が整ってから広げる、という順番も現実的な進め方です。

自社の音声で測る4工程

ここまでの物差しを、実際の測定手順に落とします。半日で終わる規模にしておくのが続けるための条件です。

この4工程で出た数字は、カタログの数字より小さくなります。それが正常です。比べるのは道具どうしであって、公表値との差ではありません。3本の音声に対する結果を並べれば、どの道具がどの条件に強いかが見えます。

測り直す周期も決めておきます。モデルは入れ替わるので、半年前の測定結果は当てになりません。半年ごとに同じ3本で測り直すと決めておけば、乗り換えの判断材料が自動で貯まります。

任せられない工程を先に決める

文字にする工程は任せられます。しかし議事録という成果物には、任せてはいけない工程が含まれています。決まったことの確定、金額と期日、固有名詞の照合の3つです。この3つは、誤りが起きたときの影響が文字の誤りとは桁違いです。

AIに判断させないというのは、具体的にはこういう線引きです。「誰が何をいつまでに引き受けたか」を要約させることはできますが、その要約をそのまま関係者に送らない。人が音声に戻って確かめてから送ります。会議の場で「これは決定ですか」と確認して終わるのが本来の順番で、機械はその確認を代わりにできません。

根拠を書かせる工夫は有効です。要約の各行に、元の発言の時刻を付けさせます。そうすれば確認する人は全文を読まずに、決定事項と数字の行だけ音声に戻れます。人が確認する範囲を先に決めておくと、確認は現実的な作業量に収まります。

要約には固有の癖があります。会議で結論が出ていない話題でも、要約は言い切った形に整えてしまうことがあります。誰も引き受けていない作業に担当者の名前が付く、検討中の金額が決定として並ぶ。文字の誤りより見つけにくく、影響は大きい種類の誤りです。結論が出ていない話題は「保留」と書かせる指示を、要約の指示文に固定で入れておくと、この癖はある程度抑えられます。

逆に、任せて構わない工程は積極的に任せます。発言の書き起こし、話題ごとの区切り、参加者ごとの発言量の集計。ここに人の時間を使っている組織では、精度が8割でも十分に元が取れます。

精度を上げる一番安い手は、録音の側にある

道具を乗り換えるより先に、試すべきことが3つあります。1つ目はマイクの位置です。卓上の1本を中央に置くのではなく、話す人の近くに置く。前述の比較記事が指摘するとおり、入力音声の質は結果を大きく動かします。

2つ目は1人1端末で通話に入ることです。会議室から1台で入ると同時発話が1つの音に混ざりますが、各自の端末から入れば別の音として扱われ、話者の切り分けも当たりやすくなります。会議室に集まる意味がある会議なら、卓上マイクを人数分に増やすだけでも変わります。

3つ目は冒頭で出席者の名前を読み上げることです。話者の切り分けは番号を振るだけなので、番号と人を後から結び付ける材料が要ります。冒頭30秒の名乗りがその材料になります。

この3つはどれも費用がかかりません。道具の比較に1か月かける前に、録り方を変えた音声で測り直すだけで、比較の結論が変わることがあります。

選んだあとに崩れないための3つの取り決め

導入して3か月で使われなくなる原因は、精度ではなく持ち主の不在です。決めておくことは3つです。1つ目は用語辞書の持ち主。部門ごとに1人を決めて、月に1回更新する。誰の仕事でもない状態にすると、新しい製品名が半年間登録されません。

2つ目は誤りの記録です。直したときに、誤った語と正しい語の対を1行だけ残す。この記録が辞書の材料になり、次の測定の材料にもなります。記録の形式は表計算の2列で十分で、凝った仕組みを作ると続きません。

3つ目は測り直しの周期です。前章で触れたとおり半年ごとに同じ音声で測ります。あわせて、料金の型が使い方に合っているかも見ます。使い始めより会議が増えていれば、分数型から別の型に変える判断が要ります。

この3つを決めていない導入は、精度が落ちたのではなく運用が止まっただけという状態で評価されます。乗り換えの検討を始める前に、辞書が更新されているかを確かめてください。

よくある質問

無料の道具と有料の道具では、精度はどのくらい違いますか

一律には言えません。無料の枠では軽いモデルが割り当てられている場合があり、その差は条件によって大きく変わります。確かめる方法は1つで、実際に契約する枠で自社の音声3本を測ることです。無料の枠で測った結果を有料の判断に使わないでください。

誤り率は何%なら合格ですか

一般的な合格点はありません。判定の線は、直しにかかる時間から逆算します。30分の会議録の直しに15分までなら許せる、という基準を先に置き、その時間に収まる誤りの件数を線にします。加えて固有名詞の置き換えは別枠で数え、こちらは件数で線を引くほうが実務に合います。

話者の切り分けが当たりません。何を直せばよいですか

順に3つを確かめます。人数を渡せる設定なら実際の人数を渡す。1台の端末に複数人が集まっていないか。結果を確認している画面が処理途中のものになっていないか。公式文書には、全体の割り当てが入るのは最後の結果だけだと書かれています。この3つで直らない場合は、録り方の側を変えたほうが早いです。

専門用語が多い会議でも使えますか

用語の登録を前提にすれば使えますが、登録を強めすぎると音声に無い語が出てくる誤りが増えます。20から50語で始めて、誤りの記録を見ながら足すのが安全です。同音の語で使い分けが文脈によって決まるものは、登録せず人が直す範囲として残してください。

まとめ

精度が足りるかどうかは、道具の性能表では決まりません。誤り率という物差しの中身を3つに分け、条件別の目安を持ち、自社の音声3本で測る。ここまでやれば、比較は半日で終わります。話者の切り分けと用語の登録は便利ですが、人数を渡す前提であること、重みを上げると言っていない語が出ることという限界があります。そして社外の音声を入れる前には、利用目的の範囲、学習利用の扱い、保存する国、消せるかどうかの4条件を確かめます。文字にする工程は任せられても、決まったことの確定と金額と固有名詞は人が持つ。この線を先に引いておくことが、道具選びより先に効きます。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。