ガイド

文字起こしの精度が低いとき、実際に効くのはこれです

多くの人はまず大きいモデルに手を伸ばします。しかしそれは選べる中で最も効果の薄い変更で、最も効果があるのはすでに手元にあるマイクです。

30 August 2026

文字起こしが誤りだらけで返ってくると、ツールのせいにしてもっと良いものを探したくなります。それが正しいこともあります。しかしたいていは、もっと上流に問題があり、しかもその解決は無料です。

ここでは、実際に精度を動かす要素を効果の大きい順に挙げます。

1. マイクとの距離（群を抜いて重要） #

音声認識の性能は、声とそれ以外のすべての比率によって落ちていきます。この比率を最も速く壊すのが距離です。音圧は距離とともに下がる一方で、部屋のノイズは変わらないので、一歩下がるたびに、エアコン、車の音、コーヒーメーカーに対して声が相対的に小さくなります。

話し手の口から約 45 センチ（18 インチ）の位置にあるスマートフォンは、同じアプリと同じモデルを使っても、約 2 メートル（6 フィート）離れた同じスマートフォンより劇的に良い文字起こしを生みます。これは小さな差ではありません。5 分で直せる文字起こしと、打ち直すはめになる文字起こしの差です。

変えられるものが 1 つだけなら、ここを変えてください。

2. レコーダーを置く場所 #

関連しますが別の話で、会議の録音がうまくいかないのはここです。

テーブルの中央に置いた機器は全員から等距離にあります。つまり全員から遠く、そしてテーブルに近いということです。テーブルは、指で叩く音も、身じろぎも、コーヒーカップの音も、すべてマイクへまっすぐ伝えます。よりよいのは、レコーダーを面から浮かせ、いちばんよく話す人へ向けることです。

講義やプレゼンテーションなら、会場に PA システムや公式の録音があれば、その音声は座席から録れるどんな音より良質です。

3. 言語を明示的に指定する #

自動言語検出はファイルの冒頭をサンプリングします。最初の 30 秒が室内のノイズや音楽、あるいは録音の残りとは違う言語を話している人だった場合、検出は誤った言語に落ち着き、ファイル全体でそのまま誤り続けることがあります。

その症状は紛れもなく、そして混乱させるものです。誰も話していない言語の文字起こしが、あるいはその断片が出てきます。言語が分かっているなら、ツールに推測させず自分で指定してください。Offline Transcription では、ファイルの Transcribe ボタンを長押しして言語を選べます。異なる言語の録音が複数あるときに、とくに効いてきます。

4. 圧縮しすぎた状態で録音しない #

おおよそ 64 kbps を下回ると、非可逆圧縮は似た子音を区別する高周波のディテールを取り除いてしまいます。「fifteen」と「fifty」の違いは、その帯域にあります。エンコーダーが捨てた情報を戻せる文字起こしツールはありません。

無圧縮か、通常のビットレートで録音してください。低ビットレートのファイルを渡された場合、それがあなたの精度の上限であり、どの設定を変えても変わりません。

5. 無音を取り除く #

発話のない長い区間は、無害ではありません。Whisper は渡されたものに対してテキストを生成するので、無音を与えると同じ表現を繰り返し、ときには何ページにもわたって続きます。

これを正しく解決するのが音声区間検出で、無音部分をそもそもモデルに見せません。それができない場合は、文字起こしの前に録音をトリミングしてください。

6. そのうえで、必要なら大きいモデル #

これがリストの最後にあるのには理由があります。

モデルのサイズは確かに精度を改善しますし、その改善は本物です。ただし多くの人が期待するより小さく、しかも時間とディスク容量を大きく消費します。さらに重要なのは、大きいモデルでも上に挙げた問題は 1 つも解決しないということです。遠くて、うるさくて、圧縮しすぎた録音は、わずかに良くなるだけで、依然としてひどいままです。

正直に言えば、モデルサイズは音質に対する掛け算です。品質の低い音声に掛け算をしても、少しだけましな結果になるだけです。このトレードオフについてはモデルの選び方のガイドで扱っています。

まったく役に立たないこと #

同じファイルをもう一度実行する。 サンプリングは完全に決定的ではないため、少し違う誤りが出るかもしれません。それは改善ではなく、ばらつきです。

音量を上げる。 小さい録音を増幅すれば、部屋のノイズも同じだけ増幅されます。重要な比率は変わりません。

ノイズ除去、たいていの場合。 強いノイズ除去は、ノイズと同じくらいモデルを混乱させるアーティファクトを生みます。低域のうなりを取る穏やかなハイパスフィルターなら、わずかに効くことがあります。重い処理はたいてい悪化させます。

分単価の高いサービスに払う。 クラウドサービスも同じ系統のモデルを動かしています。価格は精度ではありません。

うまくいっている状態とは #

すべてを正しくしても、自動文字起こしは完璧ではなく、完璧にできるツールもありません。次のものは一定の割合で誤り続けると考えてください。馴染みのない固有名詞、専門用語、早口で言われた数字、そして 2 人が同時に話している場面です。

だからこそ、精度と同じくらいワークフローが重要になります。タイムスタンプ付きのセグメント表示を使い、疑わしい行の音声をその場で再生できるようにして、頼りにするつもりの箇所を確認してください。その手早いやり方はインタビューのガイドで説明しています。

まとめ #

マイクを近づける。レコーダーをテーブルから浮かせ、話し手に向ける。検出に任せず言語を明示する。低ビットレートで録音しない。無音をトリミングするか検出する。モデルサイズを考えるのはその後で、6 つの中で最も小さいレバーです。