PR 本ページはプロモーション（アフィリエイト広告）を含みます。

[文字起こし精度を比較検証]チェックすべき3つのポイント

公開: 2026年7月30日

文字起こしの誤変換は、ツールを変えても同じだけ残ることがあります。

出てきたテキストを毎回直している。もっと精度の高いものに乗り換えれば楽になるはず。そう思って比較を探しているなら、先に確かめておくと回り道が減ります。

同じ音源を複数の経路にかけて比べたところ、順位は場面ごとに入れ替わりました。総合1位はありません。代わりに見えてきたのが、チェックすべき3つのポイントです。録り方、エンジンの語彙、そして生の文字起こしを読むか要約を読むか。3つは上から順に重なっていて、今日変えられるのは一番上の1つだけ。

この記事は、こんな人に向けて書きました。

• これから導入するので、精度の高いものを選びたい
• いま使っているツールの誤変換を直すのに、毎回時間がかかっている
• 乗り換えれば解決するのか、変えても同じなのか判断できない

この3つのどれかに当てはまるなら、どこを直せば誤変換が減るのかを切り分けられます。数値は、正解がわかっている台本を読み上げた音源で、実機で確かめた結果です。

先に、この記事の答えを3つ。

1. クリアな声なら、どの経路を選んでも差はほとんど出ない。差が出るのは難所だけ（→ポイント1は録り方）
2. 誤変換は壊れた文字にならない。別の実在する語に化けるので、読んでも気づけない（→ポイント2はエンジンの語彙）
3. 精度は測れる。正解台本の読み上げと、ループ音源の回数当ての2つで（→自分の音源で測る方法）

1. 同じ音源なのに順位が入れ替わった

「文字起こし 精度 ランキング」で出てくる順位は、そのまま自分の録音に当てはまりません。同じ音を同時に録って比べると、順位が場面ごとに変わるからです。

同じ5時間の録音を、PLAUD純正・Notta純正・NotebookLMの3経路に通しました。結果はこうです。

• 数字の読み上げを正確に取ったのはPLAUD純正。NottaとNotebookLMは別の数字に化けた
• 文の骨格が最も残ったのはNotta純正。PLAUDが拾い落とす区間を会話ごと拾った
• スピーカー再生の音声で、ある専門語を唯一正しく取ったのはNotebookLM。純正2者は化けさせた

3つの箇条書きは、すべて同じ1本の音源から出ています。どの場面を切り取るかで、勝者が変わる。だから総合1位は決められません。

代わりに使えるのが、この3つのポイントです。上から順に見ていきます。

2. ポイント1は録り方

最初に朗報から。マイクに近いところで話した声なら、精度で悩む必要はほとんどありません。

同じ5時間から、静かな環境の単独発話を抜き出して比べました。3経路の出力は、読点や言い直しの拾い方こそ違うものの、文意は完全に一致しています。日常のメモや静かな打ち合わせが主戦場なら、どれを選んでも困る差は出ませんでした。

差が問題になるのは、次の3つの場面だけです。

1. 距離のある声 … 会議室の反対側、机の端に置いた録音機
2. 複数人が重なる会話 … 誰の声かで分離が必要になる
3. スピーカーから流れる音声 … 動画やオンライン会議の相手側の声

3つめは特にはっきりしていて、PLAUDとNotta Memoの両方で文が崩壊しました。ただし「38度から40度」「600ml」のような数値は、崩れた文の中でも残っています。数字とキーワードは拾えるが、文としては読めなくなる。この形で崩れます。

専用機のマイクが優れているわけではない

ここで「では専用の録音機を買えば精度が上がるのか」と考えたくなりますが、マイク性能の差では説明できません。

同じ5時間を同時に録ったPLAUD NoteとNotta Memoで、クリア区間の一致率は非常に高く、録音品質に決定的な差はありませんでした。iPhoneのボイスメモも、録って読み返すだけなら足ります（PLAUD Noteはいらない？で検証しました）。

専用機の値打ちは別のところにあります。口元に近い位置に、常にあることです。

スマホは机に置きがちで、録るたびに取り出してアプリを開きます。カード型は胸ポケットに入れたままボタンひとつ。私自身、胸ポケットに入れたまま録るのが定着しました（AIレコーダーは胸ポケットで使える？）。距離が精度の最大の変数なら、近い位置に置き続けられる形が有利になる。性能ではなく運用の話です。

会議のたびに録音機を机の真ん中まで押しやっている自覚があるなら、身につける形を試す価値があります。

まず次の打ち合わせで、録音機を机の端でなく手元に置いてみてください。買い足す前に効果がわかります。

3. ポイント2はエンジンの語彙

音を整えても消えない誤りがあります。ここが精度の話で一番見落とされるところです。

ビジネス略語を仕込んだ台本を読み上げ、出力と1語ずつ照合しました。静かな環境で、正解がわかっている状態です。多くは正しく出ました。KPI、CVR、CPA、KGI、CTR、CPM、LTV、MRR、CRM、MA、ASAP。カタカナの業界語も正確でした。

誤ったのは4つ。その化け方に共通点があります。

4つとも、実在する別の語です。「ガギグゲゴ※□」のように壊れていれば見た瞬間に気づきますが、SARSもROEもCOPも実在するので、読んでも違和感がありません。誤りは壊れた文字ではなく、もっともらしい別の語になる。

同じことが別の経路でも起きました。台本の「海沿いのカフェ」をGeminiに読ませたところ、出力によって「水辺のカフェ」「湖畔のカフェ」と3通りに分かれています。しかもチャットに表示された全文とその応答が生成したPDFで、単語が食い違っていました。音源は1つ。出力側の問題です。

つまり、流暢に読めることは正確さの証拠になりません。むしろ読みやすい出力ほど、間違いが自然な顔をして混ざります。

自分の業界の略語を10個書き出しておきましょう。次の§6で、それを使って自分のツールを試せます。

4. ポイント3は生の文字起こしか要約か

同じ録音でも、どのテキストを読むかで見え方が変わります。ここが3つ目のポイントです。

先ほどの4つの誤変換を、PLAUDのAI要約ノートがどう扱ったかを見ます。

3つは直りました。「病名がマーケティングの会議に出るのはおかしい」という文脈判断が効いています。直らなかったのはROIだけ。ROEもROIも、その会議に出てきておかしくない実在の指標だからです。

要約が直せるのは、文脈的にありえない誤りだけ。 文脈的にありえる誤りは、整った文章のまま残ります。

同じ現象は他の検証でも再現しました。5時間の録音では、誤認識された固有の名称が要約本文を経て、配布用のサマリーカードにまで整ったデザインで載っています。体裁が綺麗なぶん、誤りの説得力まで上がる。AIエージェントから議事録を読ませたときも、ROIの誤りは残ったままでした。

一方で、逆向きの動きもあります。Geminiでは全文書き起こしのときに「KPI」が「KP」に欠け、要約では「KPI」に戻っていました。文脈から補われた結果です。生のほうが原文に忠実とも限りません。

実用的な結論はこうなります。

1. 要約で全体を速く読む
2. 数字・指標・金額・人名・固有名詞だけ、生の文字起こしか元の音声で確かめる
3. 人に配る前に、その場にいた人が一度読む

内容を知らない人には、整った誤情報を見つける手段がありません。配る工程の前に1回だけ挟んでください。

5. 精度に見えて実は聞いていない部分

「精度が悪い」と感じたとき、原因が精度ではないことがあります。そもそも最後まで聞いていない場合です。

同じ台本を繰り返しただけの音声を4本作りました。10分・30分・60分・120分。中身は同じものの繰り返しなので、「同じ内容が何回繰り返されていますか」と聞けば、全部読めたかどうかがわかります。

問題は60分です。通りますし、エラーも出ません。それでも半分近くを落としたまま、平然と要約を返してきます。読み手には気づく手段がありません。

そしてこの壁は課金では越えられません。 有料にしても60分の取りこぼしと120分の失敗は同じでした。一方、同じ無料アカウントのまま30分でモデルを変えると、5回から10回へ改善しています。差を作っていたのは課金ではなくモデルでした。

長い録音で要約が薄いと感じたら、精度を疑う前に「最後まで読めているか」を確かめてください。確かめ方は次の節です。

6. 自分の音源で精度を測る2つの方法

ここまでの数字は、すべて私の環境と音源での結果です。あなたの会議で同じ順位になる保証はありません。測れるのは、自分の音源だけ。 幸い、方法は2つとも自宅で試せます。

方法1：正解台本を読み上げて、一語ずつ突き合わせる

原文がわかっている音声を作るのが要点です。

1. 300字程度の台本を書く。自分の業界の略語・固有名詞・取引先名・数字を10個以上入れる
2. 普段の距離・普段の場所で読み上げて録音する
3. 出てきたテキストと台本を1語ずつ比べる

比べる作業をAIに丸投げしないでください。AIは正解の音声を知らないので、測れるのは「もっともらしさ」だけです。流暢に読める出力を正確だと判定します。最後は自分の目で見ます。

略語と固有名詞を仕込むのがコツです。一般的な日本語はどの経路でもよく通るので、差が出ません。

方法2：同じ音声をループさせて、回数を聞く

長い録音で取りこぼしていないかを調べる方法です。

1. 3分程度の音声を用意する
2. 同じファイルを繰り返しつないで、30分・60分のファイルを作る（無料のツールで足ります）
3. それを投げて「同じ内容が何回繰り返されていますか」と聞く

回数が合っていれば全部読めています。合わなければ、その長さが自分の上限です。エラーが出ないタイプの取りこぼしを、これで表に出せます。

まずは方法1から。10語の台本を読み上げて録るだけなら、5分で終わります。

7. 用途別に選ぶ経路を決める

ここまでを、選ぶための材料に組み直します。順位ではなく、条件で決めます。

複数人の会議を追う運用はインタビュー・会議の文字起こし、手元で完結させる方法はWhisperとはにまとめました。道具ごとの向き不向きは文字起こしツールの用途別おすすめが早いです。

毎週の会議録を直すのに30分かけているなら、直す時間のほうが道具代より高くついています。録る位置を変えるだけで減る誤りが、実際にありました。

どちらも同じ音を同時に録って比べた結果です。詳しい突き合わせは3つの文字起こし精度比較にあります。

まとめ

• 精度に総合1位はない。同じ音源でも、場面ごとに順位が入れ替わる
• ポイント1は録り方。クリアな声なら経路の差はほぼ消える。今日変えられるのはここだけ
• ポイント2はエンジンの語彙。SaaSがSARSに、ROIがROEに化ける。音質では消えない
• ポイント3は生か要約か。要約は文脈的にありえない誤りだけを直す
• 60分の壁のように、精度ではなく「聞いていない」場合がある。課金では越えられない
• 自分の音源で測れる。正解台本の読み上げと、ループ音源の回数当て

まず自分の業界の略語を10個入れた台本を読み上げて、いま使っている経路に通してみてください。順位表より確かな答えが出ます。