使いこなし
会議の文字起こし、どのエンジンが正確か
同じ架空の会議を、ファイルのまま・iPhone で録音・Mac の内蔵マイクで録音の三通りで、Apple・WhisperKit・OpenAI のエンジンに通して文字の誤り率を比べました。近い声ならどれも数%、差が開くのは離れた声です。
この記事は、Otonota の開発チームが Otonota の中で行った計測の結果です。結果は、アプリやエンジンの版、録音の機材・距離・部屋、話し方や話題などによって変わります。参考としてご覧ください。
結論
- 話す人の声がはっきり録れていれば、どのエンジンも文字の誤り率は 3〜7% ほどに収まりました。この条件では、どれを選んでも大きくは変わりません。
- 差が開くのは、iPhone や Mac で離れた声を拾うときです。
- iPhone・iPad — 既定の「AI (Apple Intelligence)」は誤り 20% 前後でした。WhisperKit large-v3 量子化 (Pro) に変えると、10% 前後まで下がりました。「標準」は、離れた声をほとんど書き起こせませんでした。
- Mac — 内蔵マイクで録った声では、Apple 音声認識 (Apple Intelligence) と WhisperKit large-v3 量子化 (無料) がどちらも 15% 前後でした。既定の Apple Speech は、離れた声をほとんど書き起こせませんでした。Pro で使えるクラウドの OpenAI は、それより少し正確でした。
三つの録り方で比べた
架空の定例会議の台本 (約 440 字、1 分半) を読み上げ音声にし、次の三通りで文字起こししました。台本には社名・人名・日付・金額を 14 語入れてあります。
- ファイルのまま — 読み上げ音声のファイルを、そのまま取り込んで文字起こし。雑音も反響もない、いちばん有利な条件です
- iPhone のマイク — スピーカーで流した声を、話し手から離れた位置の iPhone で録音。会議で端末を話し手から離して置く使い方に近い条件です
- Mac の内蔵マイク — 同じ声を MacBook Pro の内蔵マイクで録音
録音した二つは、それぞれ 2 回ずつ録って誤り率を平均しました。数字は小さいほど正確です。結果は、iPhone・iPad で選べるエンジンと、Mac で選べるエンジンに分けて載せます。名前はそれぞれのアプリでの表示で、iPhone・iPad の「AI (Apple Intelligence)」は Mac の「Apple 音声認識 (Apple Intelligence)」と、「標準」は「Apple Speech」と同じ仕組みです。
iPhone・iPad
| エンジン | 版 | ファイルのまま | iPhone のマイク |
|---|---|---|---|
| AI (Apple Intelligence) | 無料・既定 | 4.3% | 19.8% |
| 標準 | 無料 | 7.3% | 90.4% |
| WhisperKit large-v3 (量子化) | Pro | 2.7%(最良) | 9.6%(最良) |
| WhisperKit small | Pro | 7.3% | 18.6% |
文字の誤り率 (CER) = 正解の文字数に対する、置き換え・抜け・余分な文字の数の割合。句読点と空白は数えず、漢数字は算用数字にそろえてから比べた。「iPhone のマイク」は iPhone で録った音声を、同じエンジンで Mac で処理した結果。
ファイルのままでは横一線だったエンジンも、離れた声では差が出ました (図 1)。既定の「AI (Apple Intelligence)」は 19.8% だったのに対し、WhisperKit large-v3 (量子化) は 9.6% と半分ほどでした。iPhone のアプリで録りながら「AI (Apple Intelligence)」で文字起こしした結果も 21.4% で、後から処理したときと大きくは変わりませんでした。
朱の棒が既定のエンジン。
数値を表で見る
| 項目 | 値 |
|---|---|
| WhisperKit large-v3 (量子化) | 9.6% |
| WhisperKit small | 18.6% |
| AI (Apple Intelligence) | 19.8% |
| 標準 | 90.4% |
Mac
Mac では、内蔵マイクで録った音声に加えて、iPhone で録った音声を Mac 版に取り込んだ場合も載せます。
| エンジン | 版 | ファイルのまま | Mac の内蔵マイク | iPhone の録音を取り込み |
|---|---|---|---|---|
| Apple Speech (on-device) | 無料・既定 | 7.3% | 93.7% | 90.4% |
| Apple 音声認識 (Apple Intelligence) | 無料 | 4.3% | 14.7% | 19.8% |
| WhisperKit large-v3 量子化 | 無料 | 2.7%(最良) | 14.9% | 9.6% |
| WhisperKit large-v3-turbo | Pro | 2.7%(最良) | 18.0% | 8.2% |
| OpenAI gpt-4o-transcribe | Pro・自分の API キー | 5.4% | 13.1%(最良) | 8.9% |
| OpenAI gpt-4o-mini-transcribe | Pro・自分の API キー | 4.3% | 13.3% | 5.8%(最良) |
OpenAI は Mac 版の Pro で、自分の API キーを設定して使う。音声は OpenAI に送られる。
内蔵マイクで録った音声では、上位が 13〜15% に並びました (図 2)。OpenAI が少し正確で、Apple 音声認識 (Apple Intelligence) と WhisperKit large-v3 量子化はほぼ同じです。ただし Apple 音声認識は 1 回目と 2 回目で19.3% と 10.0% と差が大きく、同じ音でも結果がぶれやすいエンジンでした。iPhone で録った音声を取り込んだ場合は、OpenAI の gpt-4o-mini-transcribe が 5.8%、WhisperKit large-v3 量子化が 9.6% でした。
朱の棒が既定のエンジン。
数値を表で見る
| 項目 | 値 |
|---|---|
| OpenAI gpt-4o-transcribe | 13.1% |
| OpenAI gpt-4o-mini-transcribe | 13.3% |
| Apple 音声認識 (Apple Intelligence) | 14.7% |
| WhisperKit large-v3 量子化 | 14.9% |
| WhisperKit large-v3-turbo | 18.0% |
| Apple Speech (on-device) | 93.7% |
従来の Apple Speech (iPhone では「標準」) は離れた声に弱い
Mac の既定の Apple Speech と、iPhone・iPad の「標準」は、ファイルのままなら誤り 7.3% と健闘しましたが、録音を挟むと 90% を超え、冒頭のあいさつ程度しか残りませんでした。音量を 4 倍に上げた音声でも改善しなかったので、声が小さいことだけが原因ではなさそうです。離れた位置から録る会議では、Apple 音声認識 (Apple Intelligence) か WhisperKit を選んでください。
固有名詞は、どのエンジンでも落ちやすい
誤り率が低いエンジンでも、社名や人名は別の字になったり、丸ごと抜けたりします。台本の 14 語 (社名・人名 10 語と、日付・金額・割合 4 語) のうち、正しく出た数を表 3・表 4 に示します。
| エンジン | ファイルのまま | iPhone のマイク |
|---|---|---|
| AI (Apple Intelligence) | 9.0 | 7.5 |
| 標準 | 11.0(最良) | 0.0 |
| WhisperKit large-v3 (量子化) | 11.0(最良) | 10.5(最良) |
| WhisperKit small | 10.0 | 7.5 |
色付きの行は既定のエンジン。
| エンジン | ファイルのまま | Mac の内蔵マイク | iPhone の録音を取り込み |
|---|---|---|---|
| Apple Speech (on-device) | 11.0(最良) | 0.0 | 0.0 |
| Apple 音声認識 (Apple Intelligence) | 9.0 | 6.0 | 7.5 |
| WhisperKit large-v3 量子化 | 11.0(最良) | 6.5 | 10.5(最良) |
| WhisperKit large-v3-turbo | 11.0(最良) | 6.0 | 10.5(最良) |
| OpenAI gpt-4o-transcribe | 10.0 | 7.0 | 9.5 |
| OpenAI gpt-4o-mini-transcribe | 10.0 | 8.0(最良) | 9.5 |
色付きの行は既定のエンジン。録音した二つは 2 回の平均。表記ゆれ (80万円と 800,000円、75% と 75 パーセント) は正しいものとして数えた。
ファイルのままでも、14 語すべてを正しく出したエンジンはありませんでした。架空の社名は、どのエンジンにとっても初めて聞く言葉だからです。固有名詞を正しく出すには、エンジンを変えるより用語集が効きます。用語集の効き方は固有名詞を正しく書き起こすには で測っています。
速さ
正確さと速さは引き換えになりがちです。図 3 は、横軸に処理の速さ (1 時間の音声に何時間かかるか)、縦軸に iPhone のマイクで録った音声の誤り率をとったものです。左下ほど、速くて正確です。
Mac (M4 Max) でファイルを処理したときの値。Apple Speech とクラウドは音声を実時間で流す方式なので載せていない。
数値を表で見る
| 項目 | 処理時間 (実時間の倍率、Mac で計測) | 文字の誤り率 (%、iPhone のマイク) |
|---|---|---|
| Apple 音声認識 (Apple Intelligence) | 0.01 | 19.8 |
| WhisperKit large-v3 量子化 | 0.17 | 9.6 |
| WhisperKit small | 0.05 | 18.6 |
| WhisperKit large-v3-turbo | 0.29 | 8.2 |
Apple 音声認識は 1 時間の音声を 1 分足らずで処理するほど速く、WhisperKit large-v3 量子化は同じ 1 時間に 10 分ほどかかります。録音しながらの文字起こしならどちらも間に合いますが、長い録音を後から取り込むときは差が効きます。
どれを選ぶか
iPhone・iPad
- まずは既定のまま — 既定は「AI (Apple Intelligence)」です。近い声なら十分に正確で、速く、ダウンロードは言語のモデルだけです
- 会議室などで、離れた声を録る — WhisperKit large-v3 量子化 (Pro) に切り替えてください。この計測では誤りがおよそ半分になりました。メモリ 6GB 以上の端末で選べます。iPhone での処理の速さは測っていません
- 「標準」は離れた声には使わない — ダウンロード無しですぐ使えますが、話し手から離れると、ほとんど書き起こせませんでした
Mac
- 既定の Apple Speech から切り替える — 離れた声では、Apple 音声認識 (Apple Intelligence) か WhisperKit large-v3 量子化 (どちらも無料) にしてください。内蔵マイクの録音では、この二つの差はわずかでした
- iPhone で録った音声を Mac に取り込む — WhisperKit large-v3 量子化のほうが、Apple 音声認識より正確でした
- クラウドを使うか — 離れた声の日本語では OpenAI がいちばん正確でしたが、WhisperKit large-v3 量子化との差は数ポイントです。会議の音声が外に出ること、分単位の料金がかかることと引き換えにするかで決めてください (Pro、自分の API キーで使います)
エンジンの切り替え方とメモリの目安は、使い方の エンジンの選び方 (Mac) とエンジンとモデルの選び方 (iPhone・iPad) にまとめています。アプリの全体は Mac 版 とiPhone 版 のページへ。
端末と場面ごとのおすすめは、おすすめ設定の早見表 に 1 枚でまとめています。
計測の方法
- 音声
- 架空の定例会議の台本 (日本語 441 字、約 93 秒)。macOS の読み上げ (Kyoko) で作成。社名・人名・計画名はすべて架空のもので、実在の会議の録音は使っていない
- 録音
- 机の上のスピーカーで流し、同じ机に置いた iPhone Duo (Otonota で録音) と MacBook Pro の内蔵マイクで、それぞれ 2 回録音した。どちらも同じ部屋・同じ置き場所
- 処理した端末
- MacBook Pro (M4 Max、メモリ 36GB、macOS 27.3)。iPhone でのライブの文字起こしは iPhone Duo (iOS 27.1)
- エンジン
- Otonota 1.1.4 と同じ実装を、計測用のコマンドで呼んだ。Apple Speech と OpenAI は実時間で音声を流し、それ以外はファイルを一度に渡した。用語集は使っていない
- 指標
- 文字の誤り率 (CER)。正解と出力の両方から句読点・空白・長音記号を除き、漢数字を算用数字に、「パーセント」を % にそろえてから、編集距離を正解の文字数で割った
- 計測日
- 2026 年 11 月 20 日
1 本の短い台本と 1 つの部屋での結果です。話者が複数いる会議、雑音の多い部屋、方言や早口では、順位が入れ替わることがあります。WhisperKit は Mac での処理で、iPhone で動かしたときの速さは測っていません。
よくある質問
- iPhone で会議を文字起こしするなら、どのエンジンがいちばん正確ですか?
- 話し手から離れた声では WhisperKit large-v3 (量子化、Pro) がもっとも正確で、この計測では文字の誤り率 9.6% でした。既定の「AI (Apple Intelligence)」は 19.8% です。声がはっきり録れていれば、どちらも誤りは数%で大きな差はありません。
- Mac で会議を文字起こしするなら、どのエンジンを選べばいいですか?
- 既定の Apple Speech は離れた声をほとんど書き起こせなかった (誤り 93.7%) ので、Apple 音声認識 (Apple Intelligence) か WhisperKit large-v3 量子化に切り替えてください。どちらも無料で、内蔵マイクで録った声の誤り率は 14.7% と 14.9% でした。
- Apple 音声認識 (Apple Intelligence) と Apple Speech の違いは何ですか?
- Apple 音声認識は macOS 26・iOS 26 からの新しい音声認識 (SpeechAnalyzer) で、言語ごとのモデルを最初にダウンロードします。Apple Speech は従来の音声認識 (SFSpeechRecognizer) で、ダウンロード無しで使えます。iPhone・iPad ではそれぞれ「AI (Apple Intelligence)」「標準」と表示されます。この計測では、離れた声に強いのは Apple 音声認識でした。
- クラウドの OpenAI で文字起こしすると、端末の中のエンジンより正確ですか?
- 日本語の離れた声では少し正確でした。iPhone で録った音声を Mac に取り込んだ場合、gpt-4o-mini-transcribe は 5.8%、WhisperKit large-v3 量子化は 9.6% です。近い声では差がありません。OpenAI は Mac 版の Pro で、自分の API キーを使うときだけ選べ、音声は OpenAI に送られます。
- 文字起こしにはどのくらい時間がかかりますか?
- MacBook Pro (M4 Max) で 1 時間の音声を処理すると、Apple 音声認識は 1 分足らず、WhisperKit large-v3 量子化は 10 分ほどでした。録音しながらの文字起こしは、どちらも遅れずに追いつきます。
- 社名や人名が正しく書き起こされないのは、エンジンのせいですか?
- どのエンジンでも、初めて聞く固有名詞は間違えやすく、14 語すべてを正しく出したエンジンはありませんでした。エンジンを変えるより、用語集に正しい表記と聞き違いの読みを登録するほうが効きます。固有名詞を正しく書き起こすには を見てください。
オトノタ