文字起こしAIの日本語比較──ランキングより先に「同じ10分音声」で試す選び方
日本語の文字起こしAIは、比較表の精度の数字だけでは選べません。固有名詞・話者分離・フィラー処理という日本語特有のつまずき3点を、WhisperやGoogleドキュメント音声入力などの無料の入口で、同じ10分音声を通して自分で確かめる手順を説明します。
この記事では、日本語の文字起こしAIを「比較表の精度の数字」ではなく、自分の音声で確かめて選ぶ手順を説明します。検索上位の比較記事はランキング形式が中心ですが、他人の環境で測った数字は、あなたの会議音声やインタビューでの結果を保証しません。結論を先に書くと、「自分の用途に近い同じ10分音声を、無料枠で数社に通し、固有名詞・話者分離・フィラー処理の3点を目視で比べる」。これだけで、自分の用途での当たり外れはかなり見えてきます。
- 精度の数字の比較より、自分の音声での挙動が判断材料になります
- 日本語のつまずきどころは主に3つ。固有名詞、話者分離、フィラー処理です
- 同じ10分音声を無料枠で数社に通せば、契約前に自分用の答えが出ます
なぜ精度の数字だけでは選べないのか
文字起こしの精度は、録音環境（マイクの距離、雑音）、話し方（早口、方言）、話題（専門用語の多さ）で大きく変わります。比較記事に載っている数字は、その記事の検証条件での値であって、あなたの音声での値ではありません。特に日本語は同音異義語が多く、文脈で漢字を選ぶ処理の得手不得手がツールごとに分かれるため、「総合ランキング上位＝自分の用途でも上位」とは限らないのです。
日本語特有のつまずきは3つある
固有名詞──人名・社名・専門用語の変換
日本語の文字起こしでいちばん直しに時間を取られるのが固有名詞です。人名の漢字（「渡辺／渡邊」など）、社名、業界の専門用語は、一般的な語彙に「寄せて」誤変換されがちです。誤変換の頻度だけでなく、毎回同じ形で間違えるか（検索置換で一括修正できる）、揺れるか（1つずつ直すことになる）も確認ポイントです。
話者分離──誰の発言かを区別できるか
話者分離とは、複数人の会話で「どの発言を誰が話したか」を自動で区別する機能です。議事録やインタビューでは重要ですが、対応の有無や品質はツールとプランによって差があります。日本語の会話は相づちが多く発言がかぶりやすいため、切り替わりの検出はつまずきやすいポイントです。
フィラー処理──「えー」「あの」をどう扱うか
フィラーとは「えー」「あの」「なんか」のような言いよどみのことです。そのまま全部書き起こすツールと、自動で除去・整文するツールがあります。逐語記録が必要な用途（発言録など）では除去されると困り、読みやすい議事録が欲しい用途では残ると困る。どちらが正解かは用途次第なので、自分の用途と挙動が合っているかを見ます。
自分の用途での当たりはどう確かめるか
手順はシンプルです。
- 自分の用途に近い音声を10分ぶん用意する（会議の議事録が目的なら実際の会議音声、動画の下調べなら実際の動画音声）
- その中に「固有名詞」「複数話者の会話」「フィラー」が含まれていることを確認する
- 同じ音声を、無料枠のある数社にそのまま通す
- 出てきたテキストを並べて、3つのつまずきポイントを目視で比べる
- 誤りの「量」だけでなく「直しやすさ」を見る（一括置換で済む誤りか、文脈ごと壊れる誤りか）
同じ音声を使うことが肝心です。ツールごとに別の音声で試すと、音声側の条件差が結果に混ざって比較になりません。
無料で試せる入口はどこか
大きく2系統あります。
A案：完全無料型。 OpenAIが公開しているオープンソースの音声認識モデル「Whisper」は、自分のPCで動かせば利用料がかかりません。多言語対応で日本語も扱えます。ただしPython環境の構築が必要で、非エンジニアには入口のハードルがあります。もう1つ、Googleドキュメントの音声入力は無料で使えますが、公式ヘルプにある通りマイクからの音声入力が前提の機能で、録音済みファイルの文字起こし用には設計されていません。リアルタイムのメモ用途向きです。
B案：無料枠つきのクラウド型。 NottaやLINE WORKS AiNote、文字起こしさんなど、ブラウザにファイルを上げるだけで使えるサービスには、無料プランや無料試用枠が用意されているものが多くあります。時間制限つきですが、上の「10分テスト」を回すには十分です。無料枠の条件は変わりやすいので、各公式サイトで最新の条件を確認してください。
手軽さならB案、コストゼロで長尺を回したいならA案、という分かれ方で、どちらが良いかは環境と用途によります。
筆者の現場から
私は動画制作の下調べで文字起こしを日常的に使っています。その経験から言えるのは、短い同一音声で数社を試すだけで、自分の用途での当たりが分かる、ということです。この記事の手順は、その実感をそのまま方法論にしたものです。
正直な但し書き
- この記事に個別ツールの精度の数字を書いていないのは意図的です。精度は音声条件に強く依存し、他人の測定値はあなたの環境の予測になりません
- 無料枠の時間・回数・機能の条件は頻繁に改定されます。試す前にその都度、各公式サイトで確認してください
- 話者分離の対応状況はツール・プランごとに異なります。無料枠では使えない場合もあります
- Whisperのローカル実行は、PCの性能によって処理時間が大きく変わります
- 10分テストで選んだ結果は「その用途での」当たりです。用途が変われば（会議→インタビューなど）改めて試すことをおすすめします
出典
出典・参照資料
AIニュースの解説を動画でも
YouTubeでは注目ニュースの背景を解説し、Xでは新着記事をお知らせしています。
コメント
まだコメントはありません。最初のコメントを書いてみませんか？
AIについて聞きたいことはありますか？
質問箱で無料で受け付けています。回答は公開され、他の方の参考にもなります。
質問箱を見る →
