ブログ / 文字起こしの精度は何で決まるか

精度の正体 — CER(文字誤り率)

音声認識の精度は通常、CER(Character Error Rate: 文字誤り率)で測ります。正解の文字起こし(人が作った完璧版)と自動の結果を突き合わせ、「置き換わった・抜けた・余計に入った」文字の割合を数えたものです。CER 5%なら「精度95%」という言い方になります。英語ではWER(単語誤り率)が使われ、日本語は単語の区切りが曖昧なため文字単位のCERが一般的です。ここまでは客観的な指標です。問題は次です。

同じツールでも数字が激変する理由

つまり「精度98%」は嘘とは限りませんが、「その測定条件では98%だった」以上の意味を持ちません。あなたの会議室の録音で同じ数字が出る保証はどこにもないのです。

宣伝数値の読み方3か条

1. 測定条件が書いていない精度表記は、参考程度に。 音源の種類・正解の作り方を明示しない数字は比較に使えません。
2. ツール間の数%差より、録音品質の差の方が大きい。 エンジンが同系(Whisper系)なら素の精度は近く、体感差の大半は音源側で決まります(録音のコツ/Whisperとは)。
3. 「精度」より「直しやすさ」を見る。 実務の時間を決めるのは、誤りの数×直す手間です。タイムスタンプ再生・話者分離・検索といった校正機能の方が、数%の精度差より効きます(校正の技術)。

自分の用途で確かめる方法

一番信頼できる精度測定は、自分の実際の録音で試すことです。手順は簡単です。

1. 普段の録音から、条件の違う2本を選ぶ(例: 静かな1on1と、いつもの会議室)。
2. 文字起こしして、最初の5分だけ音声と突き合わせて誤りを数える。
3. 「この用途なら実用/この条件は録音改善が要る」を自分の基準で判定する。

無料トライアルはこの測定のためにあります。広告の数字ではなく、あなたの音源での結果で選んでください。処理速度の見積もりも同じ考え方でできます(時間を決める4要素)。