日本語の文字起こしは、音声を日本語テキストに変換します。音声認識ツールを比較するなら、まず採点方法とテストで使われた音声の種類を確認してください。読み上げ文で誤り率が低くても、そのツールが会議、インタビュー、固有名詞、地域方言をどう扱うかは分かりません。

日本語の文字起こしは、日本語から英語への翻訳とも、日本語をラテン文字にローマ字化することとも異なります。日本の2025年のローマ字表記ガイドラインは後者に関するものであり、音声認識の精度を変えるものではありません。このガイドでは、日本語音声から日本語テキストへの変換と、それを評価する実践的な方法を扱います。

重要なポイント

日本語のベンチマークでCERが使われる理由

書き言葉の日本語には、通常の単語の間にスペースがありません。WERを計算するには、評価者がまず参照文と書き起こし文の両方で単語境界を決める必要があります。分かち書きが異なると、同じ文を理解できる場合でも不一致が生じます。CERは文字を比較するため、その分割の手順を避けられます。Karita、Sproat、Ishikawaの論文では両方の指標が示され、この制約が説明されています。

CERも、参照テキストに対する編集距離のスコアであることに変わりはありません。5%のCERと5%のWERでは分母が異なります。どちらも、あなたの音声に対する一般的な「95%正確」という保証ではありません。ベンダーが日本語の割合を公開している場合は、どの指標、正規化、モデル版、テストセットで算出したのかを確認してください。たとえば、ElevenLabsは日本語のWERを公開している一方で、AssemblyAIの多言語表では日本語がCERとして示されています。これらの数値は直接比較できません。

別表記がスコアに与える影響

日本語では、一部の語に複数の慣用表記が認められます。固定された参照文では、もっともらしい漢字やかなの選択が誤りとして扱われることがあります。2023年の研究では、参照書き起こしのもっともらしい再表記のラティスを作成し、同じ認識器を元の参照文と拡張参照文の両方で比較しました。3つの研究分野全体でCERは2.4〜3.1ポイント低下し、音声検索セットでは元の誤り率に対して25.16%の削減でした。認識器自体が改善したわけではありません。

研究のYouTube分野では、訓練を受けた3人の評価者が913件の提案表記を評価しました。95.4%を妥当と判断し、16%を「非常に良い」または元の表現より優れているとしました。これは提案された別表記への評価であり、エンジンの誤りの95.4%が無害だという証拠ではありません。論文では、文体やレジスターによって、ある表記が特定の文脈に合うかどうかが変わることも指摘しています。公開する書き起こしでは、名前、専門用語、意図した文体を自分で確認してください。

同じ課題でエンジンを比較する方法

ベンダーのベンチマークは、テスト音声、採点方法、モデル版、実行日が明示されている場合に有用です。たとえば、AssemblyAIの現在のベンチマークは、多言語FLEURSとCommon Voiceを分けて扱い、正規化の方法を説明しています。結果とモデル一覧は変わるため、コピーした順位はすぐに古くなります。また、同社はベンチマーク運営者であり参加者でもあります。公開表は候補選びに使い、その後は自分の業務で使う同じクリップでテストしてください。

  1. 本番で想定されるマイク、室内ノイズ、話者、方言を含む、短くて同意の取れたサンプルを選びます。
  2. 名前や分野用語について実際に必要な表記を含めて、参照書き起こしを作成します。
  3. 各候補を同じファイルで実行し、モデル、設定、出力形式、処理時間を記録します。
  4. 意味が変わる語や欠落は、許容できるかな・漢字の違いとは分けて確認します。争点のある箇所では元の音声を参照できるようにしておきます。

当サイトの文字起こしツール比較では、より広いツール横断テストを扱っています。この日本語ガイドでは、順位を見る前に採点単位と表記方針がなぜ重要かに焦点を当てています。

方言と多言語混在の録音

2022年の今泉らの研究では、標準語のみで学習した研究モデルが、方言テストで52.5%のCER、標準語テストで14.3%のCERを記録しました。この従来型モデルを両方の音声で学習させると、方言CERは8.0%に下がり、標準語CERは14.9%になりました。著者らは、両方のセットを改善した手法を含む、方言対応の方法も検証しています。これらの数値は彼らのデータセットとシステムを示すものであり、MirrorCaption、特に関西弁、あるいはあらゆる地域変種を測定したものではありません。

録音に地域方言が含まれる場合は、一般的な「日本語対応」という表示に頼らず、その方言を評価に含めてください。日本語と英語が切り替わる録音では、切り替わり箇所をテストし、各区間がどの言語で書き起こされたかを確認してください。言語ヒントや単一の選択ソース言語は、確実なコードスイッチングの証拠ではありません。言語サポートと自動言語検出の違いについては、当サイトの多言語音声文字起こしガイドをご覧ください。

MirrorCaptionが日本語で提供するもの

MirrorCaptionのライブ文字起こしとファイル文字起こしでは、日本語を選択できます。ライブセッションでは、音声が進行中の間にテキストがストリーミングされます。ファイル文字起こしは非同期の結果を返します。任意の翻訳は、日本語の書き起こしとは別のステップです。ワークフローの選択には、ライブ文字起こしとファイル文字起こしの比較をご覧ください。

対象となる新規アカウントは、無料の文字起こし枠を試せます。現在の有料プランと含まれる時間数は料金ページに掲載されています。プラン内容は変更されることがあるため、購入前に確認してください。

あなたの音声で日本語文字起こしを試す

代表的なクリップを試し、名前、方言の箇所、出力形式を確認してください。

無料で始める

よくある質問

なぜ日本語の音声認識ベンチマークではCERが使われるのですか?

日本語では通常、単語の間にスペースがないため、WERではスコアに影響しうる単語分割の選択が必要になります。CERは、単語を先に分割せずに文字を比較します。どちらも、参照文と正規化ルールに依存します。

25.16%という研究結果は、文字起こしエラーの4分の1が無害だという意味ですか?

いいえ。ある音声検索セットでは、2023年の研究が、もっともらしい別表記を許可することで、元のスコアに対してCERを25.16%削減しました。その結果を、別のモデル、データセット、録音における誤りの割合として適用することはできません。

日本語の文字起こしは地域方言に対応できますか?

音声とモデルによります。2022年の研究では、自身のデータセットにおいて、標準語のみの学習と方言を含む学習の間に大きな差があることが示されました。実際の方言でテストし、書き起こしを確認してください。MirrorCaptionには方言選択機能も公開された方言ベンチマークもありません。

MirrorCaptionは漢字、ひらがな、ローマ字のどれを返しますか?

スクリプト選択なしで日本語テキストを返します。通常の日本語の混在表記を想定し、名前や専門用語を確認してください。MirrorCaptionにはふりがなやローマ字の出力設定はありません。

日本語字幕をSRTやVTTでエクスポートできますか?

MirrorCaptionは書き起こしテキストとJSONをエクスポートしますが、現在のところタイムコード付きのSRTやVTTは出力しません。完成した動画にタイム付き字幕が必要な場合は、字幕エディタを使用してください。

録音が日本語と英語を切り替える場合はどうなりますか?

代表的なファイルで切り替わり箇所をテストし、各言語区間を確認してください。ファイル言語のヒントとして日本語を選んでも、正確なコードスイッチングは保証されません。