音声を日本語テキストに変換するAIの精度比較｜WER数値・料金・用途別ガイド

音声を日本語テキストに変換するAIの精度は、Whisper large-v3が日本語WER（語誤り率）4.9%で現状トップです。Google Cloud Speech-to-Text 日本語（WER 6〜12%）・Azure Speech Service 日本語（WER 5.8%）・Amazon Transcribe（WER 7〜9%）がそれに続きます。音声テキスト変換 AI・Speech-to-Text 日本語の音声文字起こし 精度 比較として、誤字が多くて使えない・専門用語が読み取れない・日本語の精度が低い・リアルタイムで使いたい・コストを抑えたい・無料で試したいという悩みに対し、音声認識 AI 精度の数値・料金・リアルタイム 音声テキスト変換対応・話者分離の5軸で音声 文字起こし API 比較として主要ツールを解説します。JapaneseAI.orgでは日本語AI活用の最新情報を発信しています。

日本語音声テキスト変換AIの精度を測る2つの指標

音声テキスト変換AIの精度を正しく比較するには、WERとCERの2つの指標の違いを理解することが必要です。指標を知らないと、英語向けに最適化されたツールを日本語で使って精度が出ないという失敗につながります。

WER（Word Error Rate：語誤り率）

WERは全体の単語数のうち誤認識された単語の割合です。英語の音声認識では最も一般的な指標ですが、日本語は単語の区切りが曖昧なため、WERだけでは日本語の精度を正確に評価できない側面があります。WER 5%は100単語中5語が誤認識される水準です。

CER（Character Error Rate：文字誤り率）

CERは全体の文字数のうち誤認識された文字の割合で、日本語の精度評価に適した指標です。日本語は漢字1文字が大きな意味を持つため、CERで測ることで実際の実用性が正確に把握できます。CER 2%程度が日本語の実用水準の目安とされています。

主要AIの日本語音声テキスト変換精度比較

以下の精度数値は複数の第三者検証データとベンチマーク結果をもとにした目安です。実際の精度は録音環境・話者のアクセント・専門用語の量によって変わります。

AIサービス	日本語WER	日本語精度目安	リアルタイム	話者分離	1分あたり料金	無料枠
Whisper large-v3（API）	4.9〜6%	94〜95%	△（要工夫）	×（別途設定）	$0.006	なし
Whisper（ローカル実行）	4.9〜6%	94〜95%	△	×	無料	完全無料
Azure Speech Service	5.8%	94%	○	○	$0.011〜$0.017	月5時間
Google Cloud STT v2	6〜8%	92〜94%	○	○	$0.009〜$0.024	月60分
Amazon Transcribe	7〜9%	91〜93%	○	○	$0.024	月60分（初年度）
AmiVoice（国産）	非公開（高水準）	専門分野で最高水準	○	○	要問合せ（法人向け）	トライアルあり

ツール別詳細解説：精度・特徴・向いている用途

各ツールには「得意な環境」と「不向きなシーン」が明確に存在します。文字起こし AI 比較として日本語 音声変換 AIを選ぶ際は、精度の数値だけでなく、リアルタイム音声変換の可否・話者分離 精度・専門用語対応・ノイズ耐性・カスタム語彙登録の有無が実務での使いやすさを左右します。言語モデル統合による文脈補完の精度も、日本語の同音異義語処理に影響します。

Whisper API / ローカルWhisper（OpenAI）

Whisper 日本語 精度はWER 4.9%で現状トップであり、OpenAIが68万時間以上の多言語音声データで学習した現状最高水準の音声テキスト変換 無料（OSS版）ツールです。Transformerアーキテクチャを採用したエンドツーエンドモデルで、98言語の識別・文字起こし・音声翻訳が単一モデルで実行可能です。

Whisper API vs ローカルWhisperの違い

比較項目	Whisper API	ローカルWhisper（OSS）
料金	$0.006/分（約0.9円）	完全無料（ハードウェアコストのみ）
セキュリティ	音声データがOpenAIサーバーへ送信	データが外部に出ない（機密音声に安全）
処理速度	高速（クラウド処理）	GPUなしで1分音声=5〜10分処理
リアルタイム	非対応（録音済みファイルのみ）	非対応（録音済みファイルのみ）
ファイルサイズ上限	25MB	制限なし
向いている用途	録音済みの会議・インタビュー・音声ファイルの一括変換	機密音声・大量ファイルの無料バッチ処理

• Faster-Whisper: WhisperをCTranslate2で再実装した高速版。OpenAI Whisperの約4倍の処理速度で同等の精度を維持。メモリ使用量も削減されており、ローカル実行の標準選択肢として定着しています。

Google Cloud Speech-to-Text（STT v2）

Google Cloud STTはリアルタイム音声テキスト変換の実用性と125言語対応の幅広さで評価されており、日本語口語表現への対応力が主要クラウドサービスの中で最も高い評価を得ています。

• 日本語WER: 6〜8%（標準モデル）、Chirp 3モデルで大幅に改善
• リアルタイム処理: 対応（低遅延ストリーミングAPI）
• 話者分離（スピーカーダイアリゼーション）: 対応
• カスタム語彙: 対応（固有名詞・専門用語のブーストが可能）
• 無料枠: 月60分（超過は$0.009〜$0.024/分）
• 向いている用途: 大規模バッチ処理・リアルタイム会議字幕・多言語混在音声・既存GCPインフラとの統合

Azure Speech Service（Microsoft）

Azure Speech ServiceはWER 5.8%でWhisperに次ぐ精度を持ち、カスタム音声モデルの柔軟性とエンタープライズ向けのセキュリティで法人利用に最も向いているクラウドASRサービスです。

• 日本語WER: 5.8%（業界最高水準クラス）
• リアルタイム処理: 対応
• 話者分離: 対応
• カスタム語彙登録: 対応（専門用語辞書のファインチューニング）
• 無料枠: 月5時間（STT）—主要クラウドサービスで最大の無料枠
• 料金: $0.011/分〜（リアルタイム）
• 向いている用途: 業務用議事録システム・話者分離が必要な法人用途・高信頼性が求められる本番環境

Amazon Transcribe

Amazon TranscribeはAWSエコシステムとの統合が最大の強みで、S3・Lambda・DynamoDBとの連携による音声テキスト変換パイプラインの自動化に向いています。日本語精度はWhisper・Azureに劣りますが、大量バッチ処理のコスト効率は高いです。

• 日本語WER: 7〜9%
• リアルタイム処理: 対応
• 話者分離: 対応
• 無料枠: 月60分（AWS初年度）
• 料金: $0.024/分（他サービスより高め）
• 向いている用途: AWSインフラ上の自動化パイプライン・コールセンターログの大量処理

AmiVoice（アドバンスト・メディア）

AmiVoiceは日本語に特化して開発された国産ASRで、医療・法律・コールセンター・金融など専門分野の用語認識精度で汎用クラウドサービスを大幅に上回ります。全国の医療機関・法廷・行政機関での採用実績が最も豊富な国産音声テキスト変換AIです。

• 専門分野特化モデル: 医療・法律・議会・コールセンター・不動産など業種別モデルを提供
• カスタム語彙登録: 独自の専門用語・固有名詞を追加学習させることができる
• オンプレミス対応: データが外部に出ないセキュアな運用が可能
• リアルタイム処理: 対応（専用SDKあり）
• 向いている用途: 医療カルテ入力・法廷記録・専門用語が多い業界特化システム

Whisperベースの実用ツール比較

WhisperのAPIや技術を内部で使いながら、GUIと付加機能を加えた実用ツールが多数存在します。APIを直接呼び出す技術的なハードルなしに、Whisperの高精度を業務で使える状態にします。

ツール名	日本語精度	料金	話者分離	向いている用途
Notta	93〜95%（公称）	月1,317円〜 / 月120分無料	○	日本語会議・AI議事録・Zoom連携
Rimo Voice	94〜95%（公称）	¥22/分（従量）	○	議事録作成・企業向け法人導入
LINE WORKS AiNote	92〜94%	月300分無料（要問合せ）	◎（業界最高評価）	話者分離精度最優先・企業向け
TurboScribe	92〜94%	$10/月 / 1日3ファイル無料	○	大量ファイルの一括変換・コスト重視
VexaScribe	92〜94%	$2〜$20/月 / 30分無料	◎	99言語対応・大ファイル（5GB）・会議ボット
MacWhisper	92〜94%	$60買い切り / 無料版あり	○	Mac完全ローカル処理・データ外部送信ゼロ

用途別おすすめツール早見表

用途が先に決まれば、ツール選びで迷いません。

用途・条件	おすすめツール	理由
日本語精度を最優先	Whisper large-v3（API）	WER 4.9%で現状トップ。$0.006/分と低コスト
リアルタイム変換が必要	Azure Speech / Google Cloud STT	ストリーミングAPI対応・低遅延
日本語会議の議事録作成	Notta または Rimo Voice	Whisperベース・GUI操作・話者分離・AI要約統合
専門用語が多い業界（医療・法務）	AmiVoice	国産・業種別モデル・専門用語の認識精度が最高
機密音声でデータを外部に出したくない	ローカルWhisper / MacWhisper	完全ローカル処理・データ外部送信ゼロ
大量ファイルのバッチ処理	Whisper API / TurboScribe	最安値クラス・大量処理に最適
AWSインフラとの統合	Amazon Transcribe	S3・Lambda連携で自動化パイプライン構築
話者分離精度を最優先	LINE WORKS AiNote	話者分離精度が業界最高評価
無料で始めたい	Azure Speech（月5時間）+ Notta（月120分）	最大の無料枠。Nottaは日本語UIで操作しやすい

音声テキスト変換の精度に影響する5つの要因

どのAIツールを使っても、録音環境と設定次第で精度が30〜40%変わる場合があります。以下の5点を最適化することで、同じツールでも大幅に精度を上げられます。

• 録音環境とマイクの品質: ノイズキャンセリングマイクまたはヘッドセットを使うだけで認識精度が20〜30%改善するケースがあります。会議室の空調音・キーボードタイプ音・反響が誤認識率を上げる主要因です。
• 話者のクリアな発話: 早口・語尾が消える・複数人が同時に話すクロストークは精度を大幅に下げます。1人ずつはっきり話すファシリテーションが音声テキスト変換精度を上げる最もコストゼロの改善策です。
• 専門用語のカスタム語彙登録: 業界固有の用語・製品名・人名をカスタム語彙（Custom Vocabulary）に事前登録することで、専門用語の誤認識率が大幅に下がります。Azure SpeechとAmiVoiceがこの機能の柔軟性で評価されています。
• 言語モデルの選択: 同じサービスでも「標準モデル」と「高精度モデル」では精度と料金に差があります。Google Cloud STTのChirp 3モデルはSTT v2より日本語精度が高く、重要な音声には高精度モデルを選択することを検討してください。
• 音声ファイルのサンプリングレート: 音声ファイルは16kHz以上のサンプリングレートを推奨します。電話品質の8kHz音声は認識精度が下がるため、録音設定を事前に確認してください。

セキュリティとデータポリシー

音声データには個人情報・機密情報が含まれるケースが多いため、使用するサービスのデータポリシーを必ず確認してください。

• クラウドAPIのリスク: Whisper API・Google Cloud STT・Azure Speech・Amazon Transcribeはすべて音声データがクラウドサーバーへ送信されます。サービスによって音声データの学習利用可否が異なります。
• 機密音声への対処: ローカルWhisper（Faster-Whisper・MacWhisper）またはAmiVoiceのオンプレミス版は音声データが外部に送信されないため、医療・法務・金融・行政の機密音声に最適です。
• 法人向けプランのデータポリシー: Azure Speech・Google Cloud STTの法人向けプランは入力音声データがモデルトレーニングに使用されない設定が可能です。IT部門のセキュリティポリシーに合わせてオプションを確認してください。

会議の文字起こしに向いたAIツールを詳しく比較したい方は、会議の文字起こしに強いAIツールの選び方も参照してください。

よくある質問（FAQ）