
精度95パーセントの文字起こしは、1時間の会議で450語まちがえる
議事録、AIにやらせたいんですけど。
そう言ったときに返ってきた質問が、3つありました。
録音していいんだっけ。 情報が外に出たりしない。 それ、精度どれくらいなの。
3つとも、答えられませんでした。
ツールの比較記事は10本くらい読んでいました。どれも精度が高いと書いてある。日本語に強いと書いてある。話者分離に対応と書いてある。
でも、上司の3つの質問には1つも答えられなかった。
比較記事が答えていたのは、どれを買うかでした。私が聞かれていたのは、買ったあとどう運用するかだったからです。
この記事の対象
会議や商談の議事録に時間を取られていて、AIに任せたい人
上司や法務に止められて、話が進まなくなっている人
導入したが、修正のほうが手間になって使われなくなった人
この記事で手に入るもの
精度何パーセントという数字が、実務では何を意味するのかの翻訳
録音と同意の実務手順。何を言えばよく、何を残しておけばいいのか
精度を上げる方法。設定ではなく録音側でやることが8割です
話者分離が外れる仕組みと、外れる前提での運用設計
そのまま使える議事録テンプレートと整形プロンプト
この記事ではツールの比較をしません理由は後で書きます。
まず、精度95パーセントを翻訳します
これがこの記事の出発点です。
音声認識の精度は、語の誤り率で測るのが一般的です。95パーセントというのは、ざっくり20語に1語まちがえるということになります。
では、1時間の会議に何語あるか。
日本語の会話は、1分あたりおよそ300語前後と言われます。1時間なら約18,000語。複数人の会議で沈黙や重なりを差し引いて、実質9,000語から12,000語くらいが文字になります。
9,000語で95パーセントなら、450語がまちがっている計算です
原稿用紙1枚分を超える量の誤りが、1本の議事録に混ざっている。
そして、ここからが本題です。
まちがえる場所には、偏りがあります
ランダムに450語まちがえるわけではありません。誤りは、特定の種類の語に集中します。
社内の固有名詞。プロジェクト名、システム名、部署の略称
人名。特に読みの珍しい姓
数値。桁の取り違え、単位の脱落
専門用語。業界の言い回し
否定形。ないをある、しませんをします、と取り違える
見てください。全部、議事録でいちばん大事な部分です
雑談や接続詞の誤りは、読めば分かるので実害がありません。実害が出るのは、金額の桁がずれたときと、否定が肯定に化けたときです。
だから、正しい理解はこうなります。
AI文字起こしの精度が高いというのは、修正が要らないという意味ではない。修正すべき場所が絞れる、という意味です
この理解でツールを選ぶと、選ぶ基準が変わります。何パーセントかではなく、まちがえた場所を見つけやすいかで選ぶようになる。
なぜツール比較をしないのか
理由は2つあります。
1つ目。同じツールでも、録音の仕方で精度が倍くらい変わるからです
後半で具体的に書きますが、マイクの位置とノイズの状態で、認識結果はまったく別物になります。ツールAが80点でツールBが85点だとしても、録音を直せばツールAが92点になる。
先に効くのは、ツール選びではなく録音の設計です
2つ目。3ヶ月で情勢が変わるからです
音声認識の分野はモデルの更新が速く、比較表はすぐ古くなります。古い比較表を信じて選ぶより、自社の音声で30分テストするほうが確実です。そのテストの手順は後半に書きます。
日本語の会議で、精度が落ちる5つの理由
ここは音声処理の話になりますが、非エンジニアの方に分かる範囲で書きます。原因が分かると、対策が自分で立てられるようになるからです
1. 発話の重なり
日本語の会議は、相づちが多い。はい、なるほど、ええ、が常時入ります。
音声認識は基本的に、一度に1つの声を文字にする設計です。誰かが話している上に相づちが重なると、その区間の認識が崩れます。
重なった瞬間の1語や2語が消えるそしてその1語が、否定形だったりする。
2. 発話区間の切り出しに失敗する
音声を文字にする前に、どこからどこまでが発話かを判定する工程があります。声のある区間を検出する処理です。
エアコン、プロジェクタのファン、紙をめくる音、椅子のきしみ。こうした定常的なノイズがあると、この判定がずれます。
判定がずれると、文の頭が欠けます。主語が消えるのは、たいていこれが原因です
3. マイクからの距離
これが最大の要因です。
音の強さは距離の二乗に反比例して減衰します。ノートPCのマイクの前で話す人と、テーブルの反対側にいる人では、届く音の強さが桁で違う。
さらに会議室は反響します。距離が離れるほど、直接届く音より壁で跳ね返った音の比率が上がり、輪郭がぼやける。
遠い人の発言だけ精度が悪いのは、ツールのせいではなく物理です
4. 学習データにない語
固有名詞と社内用語は、モデルが知りません。知らない語は、音の似た既知の語に置き換えられます。
自社の製品名が、まったく無関係な一般名詞になって出てくる。これがそれです。
対策は辞書登録ですが、登録できるツールとできないツールがありますここは選定時に効く数少ないポイントなので、後半で扱います。
5. 数値と単位
数値は、音の情報量が少ない割に意味の重みが大きい。
日本語では特に、いち、しち、はち が混同しやすく、桁の助数詞も落ちやすい。
議事録で最も致命的な誤りが、最も起きやすい場所に集中しているという、なかなか厳しい構造になっています。
ここから先で扱うこと
原因の説明はここまでです。ここから先は、実際の運用設計になります。
有料パートの中身は5つです。
渡す前に決める6項目録音の可否、同意、保存先、権限、修正責任、破棄までを決め切る形にしました
同意の実務会議の冒頭に何と言えばいいのか、その文面を用意しました。オンラインと対面で分けてあります
精度を上げる手順設定ではなく録音側です。今日から効くものだけを8つ挙げます
話者分離が外れる仕組みと、外れる前提の運用設計
議事録テンプレートと、整形プロンプト素の文字起こしを議事録に変える部分です
先に断っておくと、この記事は法的助言ではありません。私は弁護士ではなくAIエンジニアで、専門は音声と動画の生成AIです。書けるのは、技術的に何が起きているかと、実務としてどう組むかまでです。法的な最終判断は法務または弁護士に確認してください。
免責
この記事は法的助言ではありません。筆者は弁護士ではなくAIエンジニアです。
録音および会議記録の取扱いに関する法的な適否、業種固有の規制への適合性については、必ず自社の法務部門または弁護士に確認してください。
各サービスの利用規約とデータの取扱いは頻繁に改定されます。本記事の記述ではなく、利用時点の最新の規約を確認してください。
記載は2026年8月時点の公開情報および筆者の実務経験にもとづきます。精度に関する数値は目安であり、録音環境と会議の性質によって大きく変動します。
関連記事
AIで作った音声や動画を業務で使う場合、権利の確認が別途必要になります。
筆者X
AI最新情報(ポエム多め)を発信中!