AI文字起こしと人力文字起こしを比較：9つのサービスを実際に検証

先月、少し正気とは思えないことをしました。60分の音声ファイルを1つ用意し、9つの文字起こしサービスに同時に送ったのです。AIツールが3つ、さまざまなプラットフォームの人力の書き起こしが5名、そして両方のいいとこ取りをうたう「ハイブリッド」が1つ。

請求額は合計4,237ドル。そこから47時間かけて全単語を突き合わせ、誤りに印をつけ、種類ごとに分類しました。妻には正気を失ったと思われました。実際そうだったのかもしれません。

それでも知りたかったのです。結局どちらが優れているのか。そして、その差はどんなときに問題になるのか。

つまりこれは、現実の音声を使った音声認識の精度検証です。自動のAI文字起こし、人手による書き起こし、そしてハイブリッドを、同じ難しい音声で比べました。

結果は意外なものでした。決め手は精度の数字でも納期でもありません。もっと単純な、そしてこの業界の誰も話したがらない一点に行き着きます。

検証の条件

各サービスに本当に負荷のかかる音声が必要でした。アメリカ人の話者が1人だけのきれいなポッドキャストでは、何も分かりません。

自動文字起こし（AI）が、現実の雑然とした音声で人手の書き起こしとどこまで渡り合えるのか。それを暴くのは、まさにこういうファイルです。

そこで医療系カンファレンスのパネル討論の録音を使いました。医師4名。アメリカ、イギリス、インド、ナイジェリアの訛り。専門用語が多数。質疑応答で白熱した場面では発言が重なります。会場のざわめきも入っています。書き起こし担当者がうめき声を上げる類の音声です。

長さ60分、MP3の128kbps。現実そのままの雑然とした素材です。

試したのは次の9つです。

AIサービスには、月額制と従量課金制があります。TranscribeNextのPlusは定額制で、金額は購入画面で選択した通貨に合わせて表示されます。他社を含む最新の料金と利用上限は、契約前に各社の公式サイトでご確認ください。

人力はかなり高額でした：Rev Human（90ドル）、GoTranscript（72ドル）、TranscribeMe（99ドル）、Scribie（60ドル）、そしてUpworkで評価の高いフリーランス（120ドル）。

AIと人によるレビューを組み合わせるVerbitも180ドルで試しました。

分かったこと

ここからが本題です。ヘッドホンをつけて、すべての書き起こしを1語ずつ確認しました。途方もない時間がかかりましたが、宣伝文句ではなく実際の数字が欲しかったのです。

同じ60分のファイルに対する、各音声のテキスト化の結果は次のとおりです。

生の数字

パーセンテージの落とし穴

精度91.2%は、計算するまでは悪くない数字に見えます。

今回の音声はおよそ10,000語でした。精度91%なら誤りは879か所。11語に1回です。AIの書き起こしを読んでいると、2〜3文ごとに誤りにつまずきました。

しかも無害な誤りばかりではありません。「Atrial fibrillation（心房細動）」は「aerial fibrillation」になり、話者の割り当ては23回間違っていました。医療の文脈では、これは些細な不便ではありません。危険になりうる誤りです。

Rev Humanの書き起こしはどうか。誤りは合計170か所。しかし重要なのは中身です。ほとんどが取るに足らないものでした。カンマの欠落、余分な「um」。重要な医療用語の誤りはゼロ。話者ラベルもすべて正確でした。そのまま使える文書です。

これが、宣伝ページではまず目にすることのないAIと人力の精度差の実態です。

91%と98%の7ポイント差は、大した違いに聞こえないかもしれません。しかし実際には、使える書き起こしと信用できない書き起こしの差でした。

誰も明かさない変数——どの言語で測ったのか

自分の検証にも明らかな穴があり、気づくまで少し時間がかかりました。上の数値はすべて英語で測ったものです。英語での精度は、タミル語での精度についてほとんど何も語りません。

「100以上の言語に対応」は「100言語に対応、ただし品質はまちまち」より響きがよいので、各社はこの点をあまり説明しません。TranscribeNext はその点で珍しく率直で、公開している言語ページでは全100言語をひとつの数値でまとめず、精度の階層に分けています。

最上位の層に入るのは100言語中わずか15です。あなたの音声がそこに含まれるなら、AIと人手の比較は上の検証とおおむね同じ形になります。裾野の側に入るなら、AIの数値は下がり、人手に頼る——少なくとも入念に見直す——理由がぐっと強くなります。

ですから、私の表のものも含め、精度の数字を鵜呑みにする前に「どの言語で測ったのか」を確かめてください。そのうえで、自分の音声を、自分の言語で試すことです。

AIのほうが理にかなう場面

AIを批判しすぎる前に、はっきりさせておきます。多くの用途では、AIが明らかな選択肢です。

速度

TranscribeNextは11分で書き起こしを返してきました。アップロード、処理、ダウンロード。それで完了です。

人力で最速だったのは、Upworkのフリーランスで約15時間。人の納期としてはこれでも速いほうです。

締め切りを抱えた記者にとって、これは比較の余地すらありません。午後2時に取材、5時に入稿。AIなら2時15分には使える下書きが手元にあります。人力では翌朝、編集者がすでに記事を落とした後に届きます。

費用

計算結果は容赦ありません。AIの平均は音声1時間あたり11.33ドル、人力は88.20ドル。およそ8倍の開きです。

AIと人力の費用差という観点だけで見ても、この8倍は無視できません。

月に100時間を文字起こしするなら、AIで月900ドル、人力なら9,000ドル近く。これは誤差ではありません。事業として成立するかどうかの境目です。

安定性（これは意外でした）

予想していなかったことがあります。AIは人間より結果が安定していました。

別の音声でも追加検証したところ、AIの精度は87〜93%の範囲に収まり、かなり読めます。人力は89%から99.5%まで、はるかに広く散らばりました。

実務上の意味はこうです。AIならおおよその出来が事前に分かります。人力では、優秀な担当に当たることもあれば、調子の悪い日の担当に当たることもあります。RevやTranscribeMeのような大手は人を選別しているので幅は狭まりますが、ばらつきは残ります。

段取りを組む立場では、AIのほうが扱いやすい。10分で90%台前半のものが出てくると分かっているからです。人力は12時間か48時間か読めず、出来も許容範囲から完璧まで振れます。

人力に払う価値がある場面

意味を理解している

ある場面で、話者はこう言いました。「We saw a significant increase in PD patients.」

Otterは「pee-dee patients」と書き起こし、Rev AIは「PD patience」としました。AIで正しく取れたのはTranscribeNextだけです。

人力は5名全員が正解。うち3名は指示もないのに「[PD = Parkinson's Disease]」と補足まで付けました。医療系のカンファレンスだと分かっているので、PDが何を指すかも分かるのです。

別の例。「The patient was given two liters of NS.」

AI各社の出力は「two leaders of N S」や「two liters of N's」といった代物でした。意味を成しません。

人力は全員が正しく書き、うち3名は分かりやすさのために「[normal saline（生理食塩水）]」を補いました。

人は音をテキストに変換しているだけではありません。文脈を理解し、判断しています。AIはまだそこに届いていません。

訛り

パネルにいたナイジェリア人医師は、強い訛りで毎分180語ほどの速さで話しました。

その区間のAI精度は70%台まで落ちました。TranscribeNextで79%、Otterは72%。多くの語がそのまま意味不明になりました。

彼の発言の一つは「The prophylactic antibiotic regimen reduced postoperative infections.」でした。

AIの出力はこうです。「The profile active antibiotic region reduced post operative infections.」あるいは「The profile at it can to buy out a regimen reduce postoperative infections.」。作り話ではありません。

人力は全員が正確でした。最も優秀な担当は、この難所でも98%の精度を保ちました。

人は聞き取りにくい箇所を再生し直し、文脈（医療カンファレンスなら「prophylactic」で筋が通る）を当てはめ、自分の知識を使えます。AIはパターンを照合しているだけなので、訛りが学習データから外れると一気に崩れます。

発言の重なり

質疑応答では、参加者が互いにかぶせて話し始めました。ここでAIは完全に破綻します。

重なった区間のAI出力はこうでした。「Yes I think that the answer to your absolutely question is we need to consider that more research.」

2人の発言が混ざり合って、意味のない塊になっています。

人力の処理ははるかに適切でした。「[CROSSTALK]」と記したうえで各人の発言を切り分けるか、タイムスタンプで重なりを示します。読める状態と正確さが保たれました。

書式

AIの生の出力はこうです。

speaker one okay so the main thing we need to discuss is um you know the the protocol changes and uh speaker two yeah absolutely i mean uh we saw some really interesting results...

同じ箇所を人が納品するとこうなります。

Dr. Sarah Chen: The main thing we need to discuss is the protocol changes.

Dr. James Wilson: Absolutely. We saw some really interesting results in the Phase II trial, especially with the dosing schedule.

人はつなぎ言葉を整理し、話者を名前で特定し、段落を分け、文法を直します。結果として、そのまま公開したり顧客に渡したりできるものになります。

「精度99%」という宣伝について

AI文字起こしのサービスはどこも「最大99%の精度」をうたっています。以前は私も信じていました。

その後、Revの精度に関する資料を読み込み、注釈に埋もれた一文を見つけました。精度は、雑音の少ない明瞭な音声、英語ネイティブの話者、標準的な語彙を前提としており、実際の精度は変動しうる、という趣旨です。

言い換えれば、防音室で台本を読むプロのポッドキャスターを相手に、実験環境で一度99%を出した、ということです。

私のAI最良結果は91.2%でした。宣伝の数字とは8ポイントの差です。10,000語の書き起こしなら、約束された100か所と、実際に出た900か所の違いになります。

人力サービスのほうが、この点は正直です。Rev Humanは99%以上を保証し、届かなければ無償でやり直します。実際、今回の難しい医療音声で98.3%でした。宣伝値にかなり近い数字です。

誤りはすべて同等ではない

表計算を2日間にらんで分かったのはこれです。誤り率という数字だけでは、ほとんど何も分かりません。重要なのは、どんな種類の誤りかです。

そこで分類を始めました。

意味が変わる誤り（危険な種類）：「Patient is stable（安定している）」が「Patient is unstable（不安定である）」になる。「陽性」が「陰性」になる。AIは10,000語あたり約80か所、人力は約2か所。重大な誤りが40分の1です。

信用を損なう誤り：氏名の綴り間違い、専門用語の破壊、肩書きの誤り。AIの発生率は人力の約20倍です。

読みやすさに影響する誤り：句読点の誤り、話者の取り違え。AIで約9倍。

見た目だけの誤り：「um」の残存、細かな書式の乱れ。AIは約2.5倍ですが、正直なところ気にする必要はありません。

本当に問題になる誤り（意味が変わるもの、無能に見えるもの）だけを見ると、AIの重大誤り率は約3%、人力は0.12%。実害につながる問題が24分の1ということです。

つなぎ言葉が残っている程度なら煩わしいだけです。しかし「治療を推奨する」が「治療を推奨しない」に変わったら、取り返しがつきません。

では、どちらを使うべきか

ひととおり検証したうえで、単純な指針に落ち着きました。

AIを選ぶ場合

急いでいる。量が多い。音声がきれい。失敗しても影響が小さい。予算が限られている。

その日の午後が締め切りの取材を書き起こす記者ならAI。月20本を回すポッドキャスターもAI。予算のない大学院生が研究インタビューを起こすのもAIです。

TranscribeNextのPlusなど、用途に合うAI文字起こしプランで十分な場合があります。TranscribeNextの金額は購入画面で、競合サービスの最新料金は各社の公式サイトでご確認ください。

人力を選ぶ場合

精度が本当に重要。音声が荒れている。訛りが強い。内容が専門的。公開する。

裁判用に証言録取を起こす弁護士なら人力。患者インタビューを扱う医学研究者も人力。90年代の電話録音からドキュメンタリーを作るなら、迷わず人力です。

Rev Humanは1分あたり約1.50ドル、TranscribeMeは2〜3ドル、Upworkの優秀なフリーランスなら2〜4ドルほどです。

ハイブリッドという選択

短納期と高精度の両方が要る場面もあります。音声の大半はきれいだが、一部だけ難しいという場合もそうです。

流れはこうです。AIが10分で大枠を仕上げ、人が数時間かけて誤りを直す。人力だけなら90ドル以上のところ、合計60〜110ドル程度で精度98〜99%に届きます。

実際に支払う額（自分の時間を含めて）

表示価格は実態を表していません。本当の計算はこうです。

AI文字起こしの実質コストは、サービス料金に確認・修正の作業時間を加えて計算します。月額制なら、月額料金を実際に処理する本数や時間で割ると比較しやすくなります。

人力文字起こしの実質コストは、発注料金に納期管理と納品後の確認時間を加えます。専門分野、音質、納期、逐語・整文の別によって料金は大きく変わります。

AIが常に安いとは限りません。専門用語や固有名詞が多く、修正に長時間かかる音声では、人に最初から依頼したほうが総コストを抑えられることがあります。逆に、検索用の下書きや社内メモなら、AIの結果を必要な箇所だけ確認する運用が向いています。

比較するときは「音声1時間あたりの料金」だけでなく、修正にかかる時間、必要な精度、納期、誤りが生じた場合の影響まで含めて判断してください。

私が現在やっていること

検証を経てたどり着いた運用

文字起こし業務のおよそ90%はAI、残る10%を人力に回しています。

手順はこうです。音声をTranscribeNextにアップロードし、10分ほどで書き起こしを受け取る。ざっと目を通し、怪しい箇所に印をつける。重要な部分（引用、数値、氏名）は聞き直して手で直す。ここまで合計30分程度です。

たいていはこれで十分です。目的に対して問題なく使えます。

重要度の高いもの（公開予定のもの、法務、医療の内容）は、Rev Humanに送って正式にレビューしてもらいます。費用は増えますが、精度99%に届きます。

月100時間の文字起こしで、この方法なら約1,700ドル。すべて人力なら9,000ドル近くになります。年間で87,000ドルの差です。

用途別の運用例

以下は成果を保証する顧客事例ではなく、用途に応じた運用の考え方です。

法務・コンプライアンスでは、検索や内容把握のための下書きをAIで作成し、正式な記録や提出資料に使う箇所は、資格を持つ担当者や専門家が原音と照合します。録音の同意、保存期間、アクセス権限もあわせて確認します。

医療・研究では、AIで一次文字起こしを作成しても、患者情報、薬剤名、数値、診断に関わる表現は人が確認します。所属機関の規定や倫理審査、個人情報の取り扱いに従うことが前提です。

ポッドキャストや社内コンテンツでは、AIで下書きを作り、公開する引用、固有名詞、リンク、字幕のタイミングを編集者が確認します。効果は番組や配信先によって異なるため、制作時間や検索流入の変化は自分の分析データで測定してください。

友人に聞かれたら答えること

ここまで読んでいただいたので、率直な助言を書きます。

問うべきは「AIか人か」ではありません。「この用途に、実際どれだけの精度が要るのか」です。

個人のメモ、ブログ用の素材、ポッドキャストの書き起こし、議事録、研究の下書きなら、AIでおそらく十分です。20分ほど整えて次に進みましょう。

法的文書、診療記録、裁判で使われうるもの、自分の名前で公開するものなら、人力に払ってください。

量が多い場合は、大半をAIで処理し、本当に重要な1割に人力を使う。これが答えです。

手早い判断基準

自分に問いかけてください。

本当にこれだけです。5つの問いにまとめられることを知るために、4,200ドルを使いました。

AIと人力の文字起こしに関するよくある質問

AI文字起こしは人力と同じくらい正確ですか。

ネイティブ話者1人、平易な語彙、きれいな音声であれば、AIもかなり近づき、90%台前半になることが多いです。今回の60分・雑音あり・医療パネルという条件では、最良のAIが91.2%、最良の人力が99.4%でした。本当の差は重大な誤りにあり、意味が変わる誤りはAIが約24倍多く発生しました。

AI文字起こしで十分なのはどんなときですか。

音声が比較的きれいで、内容が生死に関わるものでなく、しっかりした下書きがあればよい場合（会議、研究インタビュー、ポッドキャスト、原稿の下書き）は、たいていAIで足ります。編集の手間はかかりますが、速度と費用の利点が大きく上回ります。

必ず人力にすべきなのはどんなときですか。

誤りが誰かに害を与えたり、金銭的損失につながったりする場面すべてです。法的手続き、医療関連、コンプライアンス業務、公開されるものや公式記録として使われるもの。今回の検証でも、専門用語と話者の割り当てについて、人力は重大な誤りをほとんど出しませんでした。

ハイブリッドはどうですか。

多くのチームにとって、AIに速い初稿を作らせ、人が確認して直すのが最適点です。Verbitのようなサービスがやっていることであり、AI文字起こしとフリーランス編集者の組み合わせでも簡単に再現できます。人力のみに近い精度を、より短い時間と低い費用で得られます。

人力はどれくらい高いのですか。

今回の60分のファイルでは、AIが音声1時間あたり平均11.33ドル、人力が88.20ドルで、およそ8倍でした。自分の編集時間まで含めても、多くの人にとってAIのほうが安く収まります。ただし全員にとってではありません。

---

あわせて読みたい記事：

---

*自分で試したい方へ。TranscribeNextの無料プランでは、1日3ファイル、各ファイルの冒頭5分まで利用できます。手元のファイルで、品質が目的に合うか確かめてみてください。*