文章校正AI、無料のローカルLLMで誤字脱字はどこまで直せる？11モデルと専用モデルを1,427文で実測｜Gemma・Qwen・textlint【2026年11月】

誤りの無い業務の文100文を渡すと、Qwen3.5 9B は67文を書き換えました（指示のみの依頼文。2回の測定とも67%）。Gemma 4 26B が書き換えたのは、同じ100文のうち2〜3文です。校正を任せる時は、直した数と同じくらい、直さなくてよい文を変えないことが重要です。

編集部は、無料でローカル（自分の PC や社内のサーバー）で実行できる LLM（大規模言語モデル）11モデルと、校正専用モデルの KWJA、規則で文を検査する textlint を、正解つきの1,427文で測りました。LLM は依頼文（プロンプト）2種で測り、LLM 22通りと KWJA の23通りを比べます。依頼文の「指示のみ」は、次の指示だけを渡す短い文面です。もう1種の「例つき」は、これに誤りのある例2つと誤りの無い例1つを足しました。

次の文から、誤字・脱字・余分な文字・変換ミスだけを直してください。言い回しや表記は変えないでください。誤りが無ければ、文をそのまま出力してください。直した文だけを出力し、説明は書かないでください。

Ollama は LLM をローカルで実行する無料のソフトです。KWJA は京都大学などが公開する日本語の解析ツールに含まれる入力誤り訂正モデル、textlint は文章の規則違反を指摘するツールで、文は直しません。

誤りを1か所入れた自作の業務文200文では、最良の Gemma 4 26B が85.5〜86.0%を正解どおりに直しました。Wikipedia の実際の入力誤り604文では、最良の専用モデル KWJA で57.9%でした。誤りの無い文を書き換えた率は、Gemma 4 26B で自作の100文が2.0〜3.0%、Wikipedia の523文が37.3〜37.7%です。モデルの順位はデータで入れ替わり、同じ KWJA は自作の業務文では39.0%でした。

• 自作の最良と差があるとは言えないのは、Gemma 4 26B・例つき（82.5〜83.0%）と Qwen3.5 27B・指示のみ（81.0%）の2つだけです。
• 必要な機材：GPU のメモリは、Gemma 4 26B が約20GB（20.1GB）、Gemma 4 12B が約10GB（9.6GB）、Qwen3 8B が約6GB（6.2GB）です。メモリの値は今回測っておらず、ローカル LLM の実測表の値です。KWJA は CPU で実行でき、1,427文を234秒で処理しました。
• 測った文：編集部が書いた業務の文300文（誤りを1か所入れた200文と、誤りの無い100文）と、日本語 Wikipedia の入力誤りを集めた京都大学の評価データ（JWTD v2）の1,127文（誤りあり604・なし523）。
• 測り方：LLM は同じ設定で2回測り、2回とも同じ結論になった差の判定だけを書きます。

言葉は次の意味で使います。「正解どおりに直した率」は、誤りのある文で、出力が正解の文と一致した割合です。完全一致で数えるため、実際に直せた率より低めに出ます（「完全一致で数えると…」の節）。「誤りの無い文を書き換えた率」は、誤りの無い文で、出力が入力と違った割合で、低いほど良い値です。textlint は文を直さないので、指摘の有無を「検出」と呼びます。2つのモデルの差は、文ごとにどちらだけが正解したかを数えて、偶然でも出る程度の差かを検定し、偶然の範囲なら「差があるとは言えない」と書きます。

誤りの種類は次の5つで、例はすべて編集部が書いた文です。

• 脱字（字が抜ける）：「先月の実と今月の見通し」（「実績」の「績」が抜けた）
• 余分な字（衍字。字が余る）：「ご利利用いただき」
• 誤変換：「本人の意志を確認できない場合」（正しくは「意思」）
• 字の取り違え：「担当車ごとに決めて」（正しくは「担当者」）
• 字の入れ替わり（転字）：「内容を認確したあと」（正しくは「確認」）

実測表：正解どおりに直した率は、自作の業務文では Gemma 4 26B が最も高く（ほか2通りとは差があるとは言えない）、Wikipedia の入力誤りでは KWJA が最も高かった

自作の文で最良の Gemma 4 26B・指示のみと差があるとは言えないのは、Gemma 4 26B・例つき（82.5〜83.0%）と Qwen3.5 27B・指示のみ（81.0%）の2つだけです。23通りを最良と文ごとに比べた結果で、2回とも同じでした。Wikipedia の文では KWJA（57.9%）が最良で、LLM の22通りはすべて KWJA と差があります。

誤りの無い文を書き換えた率が最も低いのは Qwen3 8B・例つきの2.0%ですが、差があるとは言えない組み合わせが10個あり、Gemma 4 26B・指示のみ（2.0〜3.0%）もその1つです。この指標では順位を付けません。実測表に行が無い例つきの5個（Gemma 3 12B・Gemma 4 12B・Gemma 4 26B・gpt-oss 20B・Qwen3 14B）の書き換えた率は、2回の測定を通して3.0〜11.0%でした。

自作の文では、最良と差があるとは言えない Qwen3.5 27B・指示のみが、誤りの無い文の34〜35%を書き換えた

最良の Gemma 4 26B・指示のみ（直した率85.5〜86.0%）と差があるとは言えない Qwen3.5 27B・指示のみ（81.0%）は、誤りの無い文の34.0〜35.0%を書き換えました。Gemma 4 26B・指示のみは2.0〜3.0%です。直した率が高くても、校正で使えるとは限りません。

書き換えの多い組み合わせもあります。Qwen3.5 9B・指示のみは67.0%、LLM-jp-4 8B・指示のみは56.0〜58.0%で、直した率は Qwen3.5 9B・指示のみが59.5〜60.5%、LLM-jp-4 8B・指示のみが32.2〜32.3%でした。

KWJA は Wikipedia の入力誤りでは Gemma 4 26B・指示のみより多く直し、自作の業務文では逆になった

Wikipedia の誤りのある604文では、KWJA だけが正解した文が124、Gemma 4 26B・指示のみだけが正解した文が64でした（Gemma 4 26B は1回目の出力で比べました。以下も同じです）。KWJA の学習データには、リポジトリの設定が JWTD（今回の Wikipedia の評価データの元）を指定しています。配布されている重みの学習に使った版までは確認していません。学習データと記事が重なる127文を除いた477文でも、KWJA は56.8%、Gemma 4 26B・指示のみは48.8%（KWJA だけが正解した文が91、Gemma 4 26B・指示のみだけが正解した文が53）で、KWJA が多く直しています。2回目の出力の Gemma 4 26B・指示のみと比べても向きは同じで、Wikipedia の604文では KWJA だけが正解した文が125、Gemma 4 26B・指示のみだけが正解した文が64（Gemma 4 26B・指示のみは47.8%）、自作の200文では3対96で、2回目も差があります。

Wikipedia の文の一部は、文頭に「：」が付いています（誤りのある文40・誤りの無い文33。Wikipedia の記法の字下げの印とみられますが、由来は確認していません）。LLM の多くはこの「：」を外します。この73文を除いた誤りのある564文でも、KWJA は58.5%、Gemma 4 26B・指示のみは51.4%（2回目は51.2%）で、最良は KWJA のまま、LLM の22通りすべてと差があり、2回とも同じでした。

自作の誤りのある200文では、KWJA だけが正解した文が3、Gemma 4 26B・指示のみだけが正解した文が97でした。KWJA は、誤りの無い自作の100文の35.0%も書き換えています。理由は分かっていません。自作の誤りは編集部が人の手で入れた誤りで、Wikipedia の編集履歴から集めた誤り（JWTD）とは分布が違う可能性があります（推定）。

誤りの種類で得意が分かれた：自作の文で KWJA は脱字・字の取り違え・字の入れ替わりをあまり直せなかった

Gemma 4 26B・指示のみの値は1回目の出力です。自作の文では、KWJA は余分な字（95.0%）と誤変換（77.5%）を直せる一方、脱字は2.5%、字の取り違えは20.0%、字の入れ替わりは0.0%でした。Gemma 4 26B・指示のみは、脱字60.0%、余分な字100.0%、誤変換82.5%、字の取り違え92.5%、字の入れ替わり95.0%でした。

Wikipedia の文では、KWJA は余分な字が75.8%、誤変換が63.9%で、Gemma 4 26B・指示のみ（余分な字59.4%、誤変換43.3%）を上回りました。脱字は KWJA 46.4%・Gemma 4 26B・指示のみ47.9%、字の取り違えは KWJA 51.1%・Gemma 4 26B・指示のみ48.9%、「その他」（誤りが複数か所など）は KWJA 20.6%・Gemma 4 26B・指示のみ32.4%です。種類は訂正前後の文字の差から編集部が分けた近似で、JWTD 自身の区分とは一致しない場合があります。

完全一致で数えると、正しく直した文も「直せなかった」に入る

正解どおりに直した率は、出力が正解の文と一致した時だけ数えます。Gemma 4 26B・指示のみの1回目の出力で、Wikipedia の一致しなかった文から60文を選んで編集部が読むと、27文（別の箇所も変えた16文と、正解と別の正しい形に直した11文）は誤りを正しく直していました。別の箇所も変えた16文のうち5文は、文頭の「：」を外しただけです。同じ種類の誤りを別の言葉で直した例もあり、Wikipedia の値は実際に直せた率より低く出ています。

書き換えの中身（自作の文）：内容が変わった出力、文が壊れた出力もあった

1回目の出力をスクリプトで数えると、Qwen3.5 9B・指示のみの書き換え67件には、漢数字と算用数字の入れ替えが23件、助詞「の」の削除が13件、読点の増減が1件ありました（1件が複数の区分に数えられる場合があります）。LLM-jp-4 8B・指示のみの58件は、読点の増減が7件、「の」の削除が7件、数字の入れ替えが1件です。Gemma 4 26B・指示のみの書き換えは2件（2回目は3件）で、どちらも言い回しの変更でした。区分に入らない変更の分類は、書き換えの全件ではなく、読んだ60件で行いました。読んだのは Qwen3.5 9B・指示のみの67件のうち29件、LLM-jp-4 8B・指示のみの58件のうち29件、Gemma 4 26B・指示のみの2件の全件です。

読んだ60件では、内容の変更（意味が変わった出力と、文が壊れた出力）が19件でした。LLM-jp-4 8B は29件中16件が内容の変更で、14件は字の抜け・重複・途中切れで文が壊れていました。これは Q4_K_M の GGUF を、Ollama の標準の書式ではなく raw の書式で送った条件の結果です。原因が量子化・書式・モデルのどれかは切り分けていません。Qwen3.5 9B の内容の変更は3件で、「自然な故障が起きた場合」を「不具合が生じた場合」にして保証の条件が変わった文などです。

誤りの無い Wikipedia の文の書き換えを60件読むと、記号・表記だけの変更が28件、内容の変更が10件だった

Gemma 4 26B・指示のみは、誤りの無い文の書き換えが自作で2.0〜3.0%、Wikipedia で37.3〜37.7%でした。1回目の書き換え195件をスクリプトで数えると、文頭の「：」を外しただけが20件、記号だけの変更（読点の追加、マイナス記号の種類など）が24件、1〜2字の変更が110件、3〜6字が38件、7字以上が3件で、「：」が主因ではありません。

195件から60件を選んで読むと、記号・記法だけが13件、表記だけ（かなと漢字、送り仮名、数字）が15件、元の文に残っていた誤りを直した変更が9件、言い回しの変更が13件、内容の変更が10件でした。内容の変更は、地名・人名・商品名の字を変えた例などです。60件は区分ごとに選んだ件数（文頭の「：」だけ20件から6件、記号だけ24件から7件、1〜2字110件から33件、3〜6字38件から11件、7字以上3件から3件）で、195件の割合をそのまま表しません。誤りの無い Wikipedia の文は訂正後の文なので、ほかの誤りが残っている場合があり、直した変更が「書き換え」に数えられています。

自作の文では、例つきの依頼文で差が出たのは4モデルで、上がった2・下がった2だった

11モデルのうち、例つきの依頼文で自作の正解どおりに直した率が2回とも差があったのは4モデルです。上がったのは Llama 3.1 Swallow 8B（44.5〜45.5%から54.5〜55.5%）と Qwen3 8B（40.5〜41.0%から49.0%）、下がったのは Gemma 4 12B（77.5〜78.0%から68.5〜69.5%）と Qwen3.5 27B（81.0%から75.0〜76.5%）です。残りの7モデルは、差があるとは言えません。Wikipedia の文では、上がったのが Qwen3 8B、下がったのが Qwen3.5 27B の各1モデルでした。

誤りの無い文を書き換えた率は、自作では例つきで減ったのが Llama 3.1 Swallow 8B（47.0%から26.0〜27.0%）と Qwen3.5 9B（67.0%から51.0〜52.0%）の2モデルで、増えたモデルはありませんでした。Wikipedia では、減ったのが Gemma 4 26B・Llama 3.1 Swallow 8B・Qwen3.5 9B の3モデル、増えたのが Llama-3-ELYZA-JP 8B と Qwen3 14B の2モデルです。

Llama-3-ELYZA-JP 8B は例つきの依頼文で出力が崩れました。答えのあとに「入力：…出力：…」の書式を繰り返して出力の上限に達した文が、自作で47文（1回目）、Wikipedia で466文ありました。答えの行は取り出して採点し、失敗には数えていません。この組み合わせの値は、取り出し方の規則（測定の条件）に左右される点に注意が必要です。

textlint は誤りのある文の18.0〜27.5%にしか指摘せず、誤りの無い Wikipedia の文の21.6%にも指摘した

指摘のあった自作の36文のうち26文は、同じ語が続いた箇所を見つけるルールが検出した文で、いずれも自作の余分な字（直前の字を重ねた誤り）でした。

textlint が指摘した文だけを LLM に渡し、指摘の無い文は入力のまま返す場合を、測った出力（1回目）から試算しました（実際には実行していません）。Gemma 4 26B・指示のみの Wikipedia では、正解どおりに直した率が48.0%から15.2%に、書き換えた率が37.3%から10.1%になります。自作では、直した率が86.0%から17.5%です。textlint で絞る方法は、書き換えを減らす代わりに、直せる誤りの大半が LLM に渡る前に外れます。

速さ：1文ずつ処理した1,000字の校正は5.9秒から35.8秒まで、正解どおりに直した率が最も高い Gemma 4 26B は6.6秒

GPU（NVIDIA H200）で1文ずつ処理した場合の1,000字あたりの時間は、各モデルの最初の1文を除いた19文（1,113字）で集計すると、LLM-jp-4 8B が5.9秒、Gemma 4 26B が6.6秒、Qwen3.5 27B が26.3秒、gpt-oss 20B が35.8秒でした。最初の1文は Gemma 3 12B だけ7.6秒かかり、ほかのモデルは0.2〜1.7秒でした。読み込みの遅れが残ったとみて（推定）、全モデルで最初の1文を外しています。約450字の段落で測り、1,000字あたりに直すと、Gemma 4 26B が6.8秒、gpt-oss 20B が23.3秒です。KWJA は CPU で1,427文をまとめて処理した全体の時間を字数で割ると2.8秒ですが、モデルの読み込みを含み、LLM とは条件が違います。速さは1回だけの測定です。

用途別の候補（GPU のメモリ別）

GPU のメモリが24GB 級

• 候補：Gemma 4 26B・指示のみの依頼文（Apache-2.0）
• 根拠：自作の業務文で正解どおりに直した率が85.5〜86.0%、誤りの無い文の書き換えが2.0〜3.0%。GPU のメモリは20.1GB
• 向かない場面：誤りの無い Wikipedia の文は37.3〜37.7%書き換えた（記号・表記の変更が多いが、内容が変わった例もある）。Wikipedia のような文の入力誤りでは KWJA（57.9%）より低い（47.8〜48.0%）

GPU のメモリが12GB 級

• 候補：Gemma 4 12B・指示のみの依頼文（Apache-2.0）
• 根拠：自作で77.5〜78.0%、書き換えは3.0%。GPU のメモリは9.6GB
• 向かない場面：Gemma 4 26B・指示のみ（85.5〜86.0%）より直す数が少ない。誤りの無い Wikipedia の文は29.3%書き換えた

GPU のメモリが8GB 級

• 候補：Qwen3 8B・例つきの依頼文（Apache-2.0）
• 根拠：誤りの無い自作の文の書き換えが2.0%。同じ8〜9B 級の指示のみの依頼文では、Qwen3.5 9B が67.0%、LLM-jp-4 8B が56.0〜58.0%、Llama 3.1 Swallow 8B が47.0%、Llama-3-ELYZA-JP 8B が15.0〜16.0%、Qwen3 8B が4.0%。GPU のメモリは6.2GB
• 向かない場面：正解どおりに直した率が49.0%と低い。書き換えの低さは Gemma 4 の2つを含む10個で差があるとは言えず、直す数は Gemma 4 のほうが多い

GPU が無い

• 候補：KWJA（専用モデル。コードは MIT）
• 根拠：Wikipedia の入力誤りの全体が57.9%、余分な字が75.8%、誤変換が63.9%で最良。CPU で実行でき、1,427文を234秒で処理した
• 向かない場面：自作の業務文では39.0%で、脱字は2.5%、字の入れ替わりは0.0%。誤りの無い自作の文の35.0%を書き換える。重みはライセンスの表示が無く、商用で使う時は配布元に確認が必要

書き換えの多い組み合わせを使う

• 対象：Qwen3.5 9B・指示のみ（書き換え67.0%）、LLM-jp-4 8B・指示のみ（56.0〜58.0%）など
• 使い方：出力を差分で表示し、変更を人が確認する前提で使う（差分での確認が誤りを拾えるかは、編集部では測っていません）
• 注意：LLM-jp-4 8B は、この GGUF（Q4_K_M）と raw の書式で測った結果で、読んだ29件のうち14件で文が壊れていた

測っていない対象と理由

• 有料の API とサービス：鍵や契約が必要なため、文賢・Shodo・Typoless などは測っていません。
• Claude と ChatGPT：無料でローカルで実行できるモデルに絞ったため、測っていません。
• LanguageTool：日本語の規則の数を確認できておらず、測っていません。
• Qwen3-Swallow 8B：事前の試し（開発用の先頭30文）で、指示のみの依頼文では577秒、例つきでは724秒かかり、本測定から外しました。同じ事前の試しで Llama 3.1 Swallow 8B は25秒と94秒でした（モデルの読み込みを含みます）。
• 段落単位の精度：精度は1文ずつです。段落は速さだけを測りました。
• 意味が変わったかの判定：自動では測っていません。書き換え120件（自作60件・Wikipedia 60件）を編集部が読んだだけです。

測定の条件

下の欄を開くと、データの出どころ・モデル・依頼文・採点の方法・失敗の件数・環境が表示されます。

この実測表で分からないこと

• 人が入れた誤りの限界：自作の誤りは編集部が入れました。実際の入力ミスの分布とは違い、KWJA の結果が逆転した理由にも関わる可能性があります（推定）。
• Wikipedia の文の癖：評価データは日本語 Wikipedia の編集履歴から集めた文です。LLM は事前学習で Wikipedia を読んでいる可能性があり、学習データとの重なりは切り分けていません。文頭の「：」を外した文は、Wikipedia の値に影響しています。誤りの無い文は訂正後の文で、ほかの誤りが残っている場合があります。
• 完全一致の限界：別の正しい直し方を数えないため、正解どおりに直した率は低めに出ます。
• 意味の変化：書き換えが意味を変えたかは、読んだ件数でしか確認していません。分類は編集部1人の判断です。
• LLM-jp-4 8B：測ったのは Q4_K_M の GGUF を raw の書式で送った形で、文が壊れた原因が量子化・書式・モデルのどれかは切り分けていません。
• Gemma 4 26B：Ollama のタグ gemma4:26b を指します。ライセンスを確認した配布元のページは gemma-4-26B-A4B-it で、タグとの対応と内部の構成（有効パラメータの数など）は確認していません。
• 文の長さ：精度は1文ずつ（平均53〜63字）です。段落での精度は測っていません。
• 速さ：GPU の1回だけの測定で、共用のサーバーで測りました。最初の1文を除いた19文の集計で、除いたのは読み込みの遅れとみたためです（推定）。CPU での LLM の速さは測っていません。
• 依頼文：測った依頼文は2種だけです。依頼文を変えると順位が変わる可能性があります。