AI文字起こしの精度を実測｜Whisper・kotoba-whisper・ReazonSpeechの誤り率【2026年11月】

編集部は、無料で使える日本語の文字起こしモデル5つを、同じ朗読の音声55分で測定しました。漢字とかなの書き分けを除いた読みの誤り率は、Whisper large-v3-turbo、ReazonSpeech k2 v2、Whisper medium の3つが2.1〜3.2%で、差は測定のばらつきと同じくらいでした。同じ音声を繰り返し測定すると1位が入れ替わるため、順位は付けていません。また、kotoba-whisper と ReazonSpeech は、実行方法で誤り率が2倍以上変わりました。

測定したのは1人が原稿を読む朗読で、会議の録音より易しい音声です。この数字は、会議の録音での精度を表しません。比較表の数字を自社の判断に使う前に、実行方法をそろえる必要があります。音声は著作権の切れた作品の朗読で、正解は青空文庫の原文です。

実測表：誤り率の低い3つは2.1〜3.2%で、差は小さい

表の数字は読みの誤り率（%）で、小さいほど正確です。読みの誤り率は、正解と出力の両方をカタカナの読みに変換してから数えた文字誤り率（CER）です。3つの条件とも2回測定し、2回目の値が0.1ポイント以上違う時は「1回目／2回目」の形式で書きました。表の行は原音の2回の平均が小さい順で、順位ではありません。

• 2026年11月8日に測定しました。音声は朗読55.5分（章・作品ごとの15ファイル）で、そのうち約45分は1人の朗読者です。会議の録音のような話の重なりや言いよどみはありません。
• 読みの誤り率は、正解の読み 21,855 字に対する、削除（抜けた字）・置換（違う字）・挿入（余分な字）の字数の合計の割合です。
• 処理の時間は、1モデルずつ単独で実行した時の値です。ReazonSpeech k2 v2 は CPU（16スレッド）、ほかは NVIDIA H200 1基で実行しました。サーバーはほかの利用者と共有しているため、目安として見てください。
• kotoba-whisper v2.0 は、同じモデルを2通りの実行方法で測定しました。差の理由は下の節に書いています。

表記どおりに数える文字の誤り率は、原音の2回分で、全モデル18.6〜27.4%でした。原文の表記と、モデルが選ぶ表記が違うためです。『杜子春』では、原文の「又」「唯」「暫く」「眼」を、モデルは「また」「ただ」「しばらく」「目」と書きます。こうした表記の差が積み重なり、『杜子春』でも文字の誤り率は17〜22%でした（faster-whisper 版を除く）。童話4編のうち『たけのこ』と『がちょうのたんじょうび』は、原文がひらがなの分かち書き（「ある　おひゃくしょうやの」）で、モデルは漢字で書く（Whisper large-v3-turbo は「あるお百姓屋の」）ため、さらに高くなります。そこでこの表では、聞き取れたかどうかを表す読みの誤り率を主に使います。

同じ音声を繰り返し測定すると、1位が入れ替わった

3つの条件とも、同じ音声を2回測定しました。2回の値が0.1ポイント以上変わったのは、Whisper large-v3-turbo（原音3.2%と2.1%、雑音入り4.5%と5.2%）と Whisper large-v3（原音4.7%と4.4%）です。ReazonSpeech k2 v2 と kotoba-whisper の faster-whisper 版は、3条件とも2回の出力が1字も違いませんでした。原音は処理時間の測定でも誤り率を記録しており、これを3回目とすると、turbo は2.2%、large-v3 は4.7%で、ほかのモデルは1回目との差が0.1ポイント未満でした。

turbo の原音の差は、ほぼ1か所で説明できます。1回目は『杜子春』の5章の最後（「おわり」の後）に、英語やスペイン語などの単語が混ざった意味のない文を約200字続けて出力し、その章の誤りが2回目より約220字多くなりました。2回目と3回目は、同じ箇所の意味のない出力が5字と37字にとどまりました。Whisper 系は、出力が崩れたと判定すると温度を上げて再試行する設定が既定で有効なため、これが回ごとの差の一因とみられます（推定）。

誤り率の低い3つの差は、この1回の挿入と同じくらいの大きさです。そのため、この表では順位を付けません。自社の音声で選ぶ時は、候補を2〜3に絞ってから同じ音声で比べると判断しやすくなります。

原音では、Whisper で最大の large-v3 に音声にない文の挿入が多かった

原音では、Whisper の中で最大の large-v3（パラメーター数約15.5億）が、large-v3-turbo（約8.1億）と medium（約7.7億）より誤りが多くなりました。読みの誤り率は large-v3 が4.4〜4.7%、turbo が2.1〜3.2%、medium が3.2%です（パラメーター数は OpenAI の Whisper の README の表示）。medium との差の大半は、音声にない文の挿入（ハルシネーション）です。

• 挿入の誤りは、1回目で正解の2.2%（2回目は1.9%）でした。medium の0.6%の3〜4倍です。一方、置換（違う字への誤認識）は large-v3 が1.7%、medium が2.2%で、large-v3 の方が少なめでした。
• 挿入の中には、すぐ前後にある文の繰り返し出力が多く含まれていました。『杜子春』の1章では、原文に1回だけある「そうか。それは可哀そうだな」を3回続けて出力しています。
• 『杜子春』の4章では、最後に音声にない「ご視聴ありがとうございました」を出力しました（2回とも）。同じ文は Whisper large-v3-turbo も出力しており、各15本のうち原音で1本、電話の音質で2本、雑音入りで6本でした（どれも2回とも同じ本数）。kotoba-whisper の faster-whisper 版も、電話の音質の1本で、最後に「ご視聴」まで出力しています。

ただし、電話の音質（large-v3 が3.9%、medium が4.3%）と雑音入り（4.9%と6.6%）では、large-v3 の方が medium より誤りが少なく、条件によって結果が逆になりました。この測定では、モデルが大きいほど誤りが少ないとは言えません。

文字起こしを議事録や記録に使うなら、出力の最後の一文と、同じ文の繰り返しを人が照合する手順を設けると、見落としを減らせます。

kotoba-whisper と ReazonSpeech は、実行方法で誤り率が2倍以上変わった

今回の2モデルでは、長い音声の扱い方で結果が大きく変わりました。

kotoba-whisper の faster-whisper 版は、モデルの説明に例として載っている設定（15秒ずつ、直前の出力を文脈に使わない）で実行しました。文がまとまって抜ける箇所が多く、正解の約8%が削除の誤りでした。モデルの説明も、transformers の分割方式（chunked long-form）の方が良かったと書いています。

ReazonSpeech k2 v2 の公式のコードは、30秒を超える音声を渡すと、メモリを多く使うため推奨しないという警告を出します。数分の音声を分割せずに入力すると、15本中8本で誤り率が5割を超え、うち5本は出力が30字未満でした（『杜子春』の6本は2〜14%に収まりました）。

編集部も最初は、分割した音声に無音を付加していませんでした。誤り率がほかのモデルの数倍になったため原因を調べ、公式のコードが前後に0.9秒の無音を付加していることを確認して修正しました。表の数字は、無音を付加した実行方法の値です。モデルの比較表の数字は、実行方法が違うと再現しないことがあります。自社の環境に導入する際は、短い音声を1本、原文と照合してから使ってください。

雑音入りでは、Whisper large-v3-turbo と large-v3 の誤りが少なかった

電話の音質（300〜3,400Hz に絞った音声）では、Whisper large-v3-turbo が2.5%、ほかの Whisper 2つと ReazonSpeech k2 v2 は3.9〜4.3%、kotoba-whisper は6.6%（faster-whisper 版は12.2%）でした。ReazonSpeech k2 v2（2.8%→4.0%）と Whisper medium（3.2%→4.3%）は、原音より1.1〜1.2ポイント上がっています。この2つは2回の出力が同じなので、測定のばらつきではありません。ReazonSpeech k2 v2 の増加267字のうち163字は、童話の2本（『がちょうのたんじょうび』『たけのこ』）でした。

雑音を付加した音声では差が開きました。Whisper large-v3-turbo が4.5〜5.2%、Whisper large-v3 が4.9%で、ReazonSpeech k2 v2 と Whisper medium は6.6〜6.7%、kotoba-whisper は8.9%（faster-whisper 版は14.7%）でした。ただし turbo は、雑音入りの15本中6本の最後に「ご視聴ありがとうございました」を出力しています。

測定した雑音は、合成のピンクノイズを SN比10dB で付加した1条件だけです。人の声や機械音の雑音、ほかの SN比での結果は分かりません。騒がしい場所の録音が多い場合も、この列は候補を絞る目安の一つにとどめ、自社の録音で照合してください。

測定の条件

音声：LibriVox の朗読（64kbps の MP3）です。LibriVox はボランティアが著作権の切れた作品を朗読する活動で、録音もパブリックドメインです。Internet Archive にある LibriVox の録音のうち、言語が日本語のものは37本でした（2026年11月8日に検索）。その中から、口語文（新字新仮名）の作品を読んでいる朗読者2人の録音を使いました。

• 『杜子春』芥川竜之介（朗読 ekzemplaro）：録音・原文
• 『赤い蝋燭と人魚』小川未明（朗読 ekzemplaro）：録音・原文
• 『幼年童話（木の祭り・赤い蝋燭・たけのこ・がちょうのたんじょうび）』新美南吉（朗読 Uchida Masatomo）：録音・原文 木の祭り・赤い蝋燭・たけのこ・がちょうの　たんじょうび

各ファイルの頭と終わりにある案内（「リブリボックスのために録音されました」「章終わり」など）は切り、本文だけ計55.5分にしました。切り出した音声は、16kHz・モノラルに変換しています。切り出し位置（秒）は次のとおりです（名前は、LibriVox の MP3 のファイル名から「_64kb.mp3」を除いたもの）：toshisyun_01_akutagawa 18.5〜183.5、toshisyun_02_akutagawa 5.6〜248.8、toshisyun_03_akutagawa 5.6〜266.7、toshisyun_04_akutagawa 5.4〜408.1、toshisyun_05_akutagawa 5.5〜365.7、toshisyun_06_akutagawa 5.6〜119.0、akairosokutoningyo_01_ogawa 21.2〜248.2、akairosokutoningyo_02_ogawa 5.4〜234.5、akairosokutoningyo_03_ogawa 6.0〜228.3、akairosokutoningyo_04_ogawa 5.4〜225.5、akairosokutoningyo_05_ogawa 5.7〜246.6、yonendowa1_02_kinomatsuri_niimi 6.2〜218.1、yonendowa1_03_akairosoku_niimi 6.2〜201.9、yonendowa1_22_takenoko_niimi 5.3〜104.9、yonendowa1_24_gatyonotanjyobi_niimi 6.5〜142.4。

正解テキスト：青空文庫の原文（新字新仮名）から、冒頭の表題と記号の説明、ルビの記号（《》と｜）、入力者の注記（［＃…］）、末尾の底本の情報を除きました。『杜子春』と『赤い蝋燭と人魚』は、漢数字だけの行で章に分けています。ルビのある語は、ルビを正解の読みにしました。

5つのモデル（kotoba-whisper の faster-whisper 版を除く）の原音の1回目の出力が全員同じ読みで、原文と食い違った 226 か所（381 字、正解の約1.7%）は、その読みに置き換えました。音声を聞いての確認はしていません。置き換えた箇所には、朗読者が別の版を読んだとみられる箇所（原文の「大暴風雨」を「大嵐」と読むなど）のほか、読みの辞書が朗読と別の読みを当てた漢字（「御世辞」の「御」など）も含まれます。一致の判定は、編集距離の操作の区間ごとに行いました。5つのうち4つは Whisper 系（kotoba-whisper は large-v3 からの蒸留）で、誤認識の傾向が似ている恐れがあります。全員一致を条件にしたので、アーキテクチャの異なる ReazonSpeech k2 v2 も同じ読みを出した箇所だけが対象です。補正前の正解でも、誤り率の低い3つ（2回分で3.8〜5.0%）とほかのモデル（6.1%以上）の開きは残りました。

3つの条件：原音、電話の音質、雑音入りです。電話の音質は、ffmpeg の highpass（300Hz）と lowpass（3,400Hz）をそれぞれ2回掛けて帯域を絞り、8kHz に落としてから16kHz に戻しました。雑音入りは、合成のピンクノイズを、発話区間の平均の音量に対して SN比10dB で付加しました。ピンクノイズは、白色雑音の振幅スペクトルを周波数の平方根で割って作っています。発話区間は、20ミリ秒ごとの音量が最大から40dB以内の区間です。乱数は NumPy 2.4.6 の default_rng で種を20261108に固定し、15本をファイル名のアルファベット順に処理しています。雑音を付加して音が割れる場合は、ピークが0.99に収まるよう全体の音量を下げます。

誤り率の算出方法：正解と出力を NFKC で正規化し、空白と句読点のほか、括弧・引用符・ダッシュ・「〜」などの記号を除いてから、両方をカタカナの読みに変換し、文字単位の編集距離を算出しました。読みは UniDic の kana の欄を使い、辞書にない語は表記をカタカナにしています。読みへの変換には形態素解析の fugashi 1.5.2 と辞書 unidic-lite 1.0.8、編集距離には rapidfuzz 3.14.6 を使っています。誤り率は、15本の誤りの字数の合計を、正解の字数の合計で割った値です（長い章ほど比重が大きくなります）。

実行環境と設定：Whisper の3つは faster-whisper 1.2.1（CTranslate2 4.8.5、float16、ビーム幅5）で実行し、重みは faster-whisper が既定で取得する変換済みのもの（Systran/faster-whisper-large-v3、mobiuslabsgmbh/faster-whisper-large-v3-turbo、Systran/faster-whisper-medium）です。ほかの設定は既定のままです。出力が崩れた時は温度を上げて再試行し、直前の出力を文脈に使い（condition_on_previous_text）、VAD で無音を除くことはしません。

kotoba-whisper v2.0 は、transformers 5.22.2 と PyTorch 2.15.0 で、モデルの説明の長い音声の手順（chunk_length_s=15、バッチサイズ16）に合わせました。精度は float16（説明の例は bfloat16）で、attn_implementation は sdpa、return_timestamps=True を指定しています。faster-whisper 版は、モデルの説明に例として載っている設定（chunk_length=15、condition_on_previous_text=False）です。

ReazonSpeech k2 v2 は sherpa-onnx 2.0.1 で、fp32 の ONNX（epoch-99-avg-1。int8 版ではない）を CPU 16スレッドで実行しました。silero VAD で無音0.5秒を区切りの目安に15秒以下に分割し、前後に0.9秒の無音を付加してから、貪欲法（greedy search）でデコードしています。言語はどのモデルも日本語に固定しました。

ライセンス：表のライセンスは、各モデルの Hugging Face のページの表示です（2026年11月8日に確認）。Whisper の3つは OpenAI の元のモデルのページ、kotoba-whisper の faster-whisper 版はその版自身のページ（元の v2.0 は Apache-2.0）の表示を載せました。Whisper を faster-whisper 用に変換した重みのページは、どれも MIT と表示しています。

処理の時間：精度の測定とは別に、1モデルずつ順に単独で実行して測定しました。モデルの読み込みは除き、15本の処理にかかった秒数の合計を、音声1時間あたりの分に換算しています。この測定でも原音の誤り率を記録しました（上の節で3回目として触れた値です）。

この表で分からないこと

• 会議の録音での精度。測定したのは1人ずつの朗読で、話の重なりも言いよどみもありません。
• 人の声や機械音の雑音、SN比10dB 以外の雑音での精度。
• 話者の聞き分け、句読点の正しさ、要約の質。どれも測定していません。
• CPU だけで実行した時の速さ（ReazonSpeech k2 v2 を除く）。
• クラウドの API（Gemini、OpenAI など）と、有料の文字起こしサービスの精度。次の版から順に加えます。
• 朗読者の偏り。2人のうち1人が、55分のうち約45分を占めています。

この表は毎月再測定し、新しいモデルが出たら同じ音声で追加します。AI 議事録が何を落とすかは、57分の会議を原音と照合した記録にまとめています。言語モデルの料金はLLM API 料金比較表、編集部が自社で測った数字は実測レポートに並べています。