まな先生解説
こころ質問
すい要点整理
ChatGPTの文字起こし精度は何%か｜結論と数字の読み方
- 「ChatGPTの精度○%」という単一の答えは存在しない。使う経路(Record / API / 専用SaaS)とモデルで変わり、公開値も指標がバラバラです。
- 日本語ではCERとWERが激しく乖離する。CER 8.5%とWER 55.1%が同一モデル・同一データセットで両立します(kotoba-whisper公式ベンチ)。
- 実務の判定基準は固有名詞ヒット率と修正時間。ここだけは自分の音声で測るしかありません。
なぜCERとWERで6倍も差が出るのか
注意
比較表を見たら「①CERかWERか ②どのデータセットか ③正規化(表記ゆれ・記号除去)をしたか」の3点を確認してください。3つとも書かれていない数字は、他社の数字と並べた時点で意味を失います。
同じモデルなのに精度が別物に見える表｜公開ベンチ実数値
| モデル | CER | WER | 固有名詞F1 | 測定データセット・発話数 | 出典 | 実務での読み替え |
|---|---|---|---|---|---|---|
| whisper-large-v3 | 8.5 | 55.1 | — | Common Voice 8(日本語) | kotoba-whisper v1.0モデルカード | CER8.5%＝100文字に8.5文字の誤り。ただし固有名詞が外れると要修正箇所は体感で倍増 |
| whisper-large-v3 | 7.1 | 59.2 | — | JSUT basic5000 | 同上 | 朗読音声(整った音源)でこの水準。会議音声は必ず悪化する |
| whisper-large-v3 | 14.9 | 60.2 | — | ReazonSpeech holdout | 同上 | 放送音声ではCERが約2倍に。データセットで数字が動く実例 |
| whisper-large-v3-turbo | 0.184 | 0.218 | — | 日本語自然会話20発話(580秒) | Neosophie(2026-02-26) | RTF 0.013と高速。自然会話ではCER18%台まで落ちる |
| kotoba-whisper-v1.0 | 9.4 / 8.5 / 12.2 | — | — | Common Voice8 / JSUT / ReazonSpeech | モデルカード | large-v3比6.3倍高速でCERはほぼ同等。速度重視の選択肢 |
| qwen3-asr-1.7b | 0.140 | 0.185 | 0.5778 | 自然会話20発話 / ITドメイン15発話 | Neosophie(2026-02-26 / 04-21) | CERは最良でも固有名詞F1はWhisperに劣る |
| Whisper(固有名詞評価) | 0.1565 | — | 0.6000 | ITドメイン15発話 | Neosophie(2026-04-21) | CERで負けても企業名・人名の再現はこちらが上 |
| Parakeet | 0.1957 | — | 0.2222 | ITドメイン15発話 | 同上 | 固有名詞F1が0.22＝5語に1語しか当たらない |
| gpt-4o-transcribe系 | 公称のみ | 公称のみ | — | データセット非公開 | OpenAI公式 | 日本語の個別数値は非公開。相対評価としてのみ扱う |
| Notta | 公称98.86%以上 | — | — | 「整然とした発言のフォーマル会議」条件下 | Notta公式料金ページ | 条件付きの認識率。上表のベンチとは測定条件が異なる |
CERが低い＝議事録で使える、ではない｜固有名詞F1という視点
- Qwen3-ASR: CER 0.0823(最良) / 固有名詞F1 0.5778
- Whisper: CER 0.1565(Qwen3の約1.9倍の誤り) / 固有名詞F1 0.6000(最良)
- Parakeet: CER 0.1957 / 固有名詞F1 0.2222
なぜ固有名詞のほうが効くのか
注意
「Parakeetは固有名詞F1が0.2222」という数字は、20語の社名・人名のうち約4〜5語しか正しく出ないことを意味します。全体CERが0.1957(≒80%正解)に見えても、議事録の実務では使い物にならない可能性があるわけです。平均値の裏にある偏りを見てください。
自社音声で30分でできる固有名詞ヒット率テスト
手順①: テスト音源を3本切り出す
- A: 雑談・立ち上がり(話速が速く重なりが多い)
- B: 議論・意思決定(複数話者が交錯する)
- C: 専門用語密度が高い区間(製品名・略語が頻出)
手順②: 正解表を20語つくる
手順③: 各ツールに同じ音声を通す
手順④: ヒット率と修正時間を測る
手順⑤: keywordsを渡して再測定する
手順⑥: 判定する
| ツール名 | ヒット数(/20) | ヒット率 | 修正時間(分) | 判定 |
|---|---|---|---|---|
- ヒット率90%以上 → そのまま運用に乗せる
- 70〜89% → keywords / 用語辞書運用で改善を試みる
- 70%未満 → 話者分離付きモデル(gpt-4o-transcribe-diarize)か専用SaaSへ切り替える
gpt-4o-transcribeなど最新モデルの精度と価格
| モデル | 料金 | 用途 |
|---|---|---|
| gpt-transcribe | $0.0045/分 | 録音ファイル・バッチ処理向けの最新モデル |
| gpt-4o-transcribe | $0.006/分($2.50/1M入力・$10/1M出力) | 従来の主力 |
| gpt-4o-mini-transcribe | $0.003/分 | 軽量・低コスト |
| whisper | $0.006/分 | 旧来モデル。タイムスタンプ対応はwhisper-1のみ |
| gpt-live-transcribe | $0.017/分 | 低遅延のリアルタイム文字起こし |
| gpt-4o-transcribe-diarize | $2.50/1M入力・$10/1M出力 | 話者分離内蔵(diarized_json形式) |
「ChatGPTは話者分離ができない」はAPI側では崩れている
注意
「精度向上策＝プロンプトの工夫」で止まっている記事が大半ですが、2026年7月以降は`keywords`・free-form contextという構造化されたヒントを渡せます。専門用語が多い会議ほど、ここで差がつきます。
ChatGPTで音声ファイルが文字起こしできないときの分岐
| 条件 | 取るべきルート | 制約 |
|---|---|---|
| macOS・話者分離不要・短時間 | ChatGPT Record(記録モード) | Plus/Pro/Business/Enterprise/Edu対象。1セッション上限あり(公開情報では120分/4時間と記載が分かれる)。話者分離なし |
| Windows・録音ファイルあり | 録音 → API(gpt-transcribe)へ送信 | Record非対応のためAPIルート一択。25MB制限あり |
| 長時間会議(2時間超) | 分割 or opus圧縮 → API | 25MB/リクエスト。前掲のffmpegコマンドで圧縮 |
| 「誰が話したか」が必要 | gpt-4o-transcribe-diarize | diarized_json。参照音声は最大4名まで |
| API設定が難しい | 専用SaaS(Notta等) | Notta公式(2026)によると無料は月120分・1回3分まで |
| リアルタイムで見たい | gpt-live-transcribe | $0.017/分と割高 |
週4本×1時間会議の年間コスト試算｜ツール代より修正工数
| 方式 | 計算式 | 年間コスト |
|---|---|---|
| ①gpt-transcribe API | 12,000分 × $0.0045 = $54 | 約8,100円(150円/$換算) |
| ②gpt-4o-transcribe API | 12,000分 × $0.006 = $72 | 約10,800円 |
| ③gpt-live-transcribe(リアルタイム) | 12,000分 × $0.017 = $204 | 約30,600円 |
| ④Nottaビジネス | ¥2,508 × 12 | ¥30,096(文字起こし無制限) |
| ⑤ChatGPT Plus同梱(Record) | 月額約¥3,000 × 12 | ¥36,000(※macOS限定・話者分離なし) |
50.4分 × 年200回 × 時給3,000円 ≒ 約504,000円/年
機密会議の音声をどこまで預けてよいか｜契約形態で条件が違う
| 経路 | 学習利用 | ログ保持 |
|---|---|---|
| API(既定) | 使われない | 不正利用監視ログを最大30日保持 |
| API `/v1/audio/transcriptions`・`/v1/audio/translations` | 使われない | 既定で監視ログを保持せず、Zero Data Retention(要事前承認)の対象 |
| ChatGPT 個人向け Free/Plus | 既定で学習利用の可能性あり(設定でオプトアウト可) | — |
| ChatGPT Business/Enterprise | 既定で学習に使用しない | — |
- [ ] 録音の同意取得: 参加者への告知と同意を必須にする。第三者の講演・セミナー録音を無断で文字起こしして配布する行為は著作権侵害にあたるおそれがあります
- [ ] 経路の限定: 顧客情報・人事情報・未公開の経営情報は、既定で学習利用のない経路(API or Business/Enterprise)のみに限定する
- [ ] 社内ルールの確認: 社内の生成AI利用規程が未整備なら、上長・情報システム部門への確認を先に通す
注意
個人アカウントのFree/Plusで社外秘の会議音声を扱うのは、設定でオプトアウトしていない限りリスクが残ります。まず自社がどの契約形態にいるかを確認してください。
ChatGPT議事録の整形テンプレート
添付の文字起こしを議事録に整形してください。条件:
(1)フィラー(えー・あの・まあ)を除去
(2)発言単位で改行
(3)「決定事項」「アクションアイテム(担当者・期限つき)」「保留事項」の3見出しに分類
(4)原文にない情報は補完せず、不明な箇所は「(不明瞭)」と記載
(5)固有名詞は原文の表記のまま変更しない
- [ ] 数値・金額・日付を原音声と照合する
- [ ] 固有名詞(社名・人名・製品名)を正解表と照合する
- [ ] 決定事項パートだけは原音声と突き合わせる
