音声認識(ASR:自動音声認識)は、人の話し声をコンピュータがテキストに変換する技術です。2022年にOpenAIが68万時間の音声で学習したWhisperを公開して以降、日本語の会議や通話にも利用できますが、実用に足るかは録音条件によって異なります。導入判断では、カタログの「認識率」を自社の音声にそのまま当てはめないでください。録音条件や語彙が異なれば、同じ認識率を得られるとは限りません。本記事では、音声認識の仕組みと歴史、精度を表すCER・WERの計算方法と自社音声での測り方、Google・AWS・Azure・OpenAIの1分あたり料金、議事録・コールセンターでの導入判断までを、公式の一次情報をもとに解説します。
まとめ
音声認識の導入は、自社音声での文字誤り率(CER)に加え、固有名詞や金額の誤り、修正時間、総費用を測って判断します。公称の認識率に頼らないのは、同じエンジンでも、静かな部屋の読み上げと、雑音のある電話音声や複数人の会議とでは誤りの量が大きく変わるからです。導入前に自社の録音を30分ほど人手で書き起こし、候補のエンジンでCERを測ってください。
費用面では、クラウドAPIの文字起こし単価は1分あたり0.003〜0.017ドル程度で、月100時間の録音でも18〜102ドル程度です(2026年11月の公式単価で試算)。API料金に加え、誤りを直す人件費と既存システムとの連携開発費を含めて総費用を見積もります。専門用語が多い、通話録音を基幹システムに流したい、といった要件があるかどうかが、既製サービスで足りるか個別開発が要るかの分かれ目になります。
音声認識の定義と処理の範囲:テキスト化までと後工程の切り分け
音声認識が受け持つのは「音声を文字列にする」ところまでです。要約や分析は別の技術が担います。この境界を押さえておくと、導入効果の見積もりを誤りません。
音声認識・話者識別・音声合成の違い:入力と出力による区別
音声認識の入力は音声、出力はテキストです。スマートフォンの音声入力、会議録音の文字起こし、通話のテキスト化はいずれもこの処理にあたります。周辺技術との違いは次のとおりです。
| 技術 | 入力 | 出力 | 代表的な用途 |
|---|---|---|---|
| 音声認識(ASR) | 音声 | テキスト | 議事録・通話のテキスト化 |
| 話者識別(ダイアライゼーション) | 音声 | 「誰がいつ話したか」 | 議事録の発言者ラベル |
| 話者認証 | 音声 | 本人かどうかの判定 | 電話での本人確認 |
| 音声合成(TTS) | テキスト | 音声 | 読み上げ・自動音声応答 |
製品の多くはこれらを組み合わせて提供しますが、精度の評価は処理ごとに分けて行います。「議事録の発言者が入れ替わる」場合は、文字認識とは別に話者分離の精度を確認します。話者分離を内蔵するエンジンでは、その変更によって改善する可能性もあります。逆方向の技術である音声合成の仕組みは音声合成AIとは?仕組み・音声認識との違い・業務での使いどころと導入判断で扱っています。
テキスト化の後工程:形態素解析・自然言語処理による集計と要約
音声認識の出力でフィラー(「えー」「あの」)や言い直しを残すかどうかは、モデルや設定によって異なります。検索や集計に使うには、日本語を単語に区切って品詞を判定する形態素解析を通し、頻出語の集計やキーワード抽出をかけます。ツールの違いは形態素解析ツール比較|MeCabとSudachiの違い、JUMAN++・GiNZA・Janome・Webツールの選び方にまとめています。
議事録の要点、通話から拾う顧客の声(VOC)といった「成果物」を生むのは、実際にはテキスト化の後の言語処理です。要約や分類に生成AIを組み合わせる構成は自然言語処理(NLP)とは?仕組み・事例・LLMとの関係と導入判断をわかりやすく解説で解説しています。導入効果は、音声認識エンジン単体でなく後工程まで含めて見積もってください。
音声認識の仕組みと歴史:HMMからEnd-to-End・大規模事前学習モデルへ
音声認識の主流は、HMMを使う方式から深層学習やEnd-to-End型へと変化してきました。どの世代の方式かによって、専門用語への強さや辞書登録の効き方が変わります。
従来型の3部品:音響モデル・発音辞書・言語モデルとHMM
従来の音声認識は、3つの部品の組み合わせで動いていました。音の波形から音素(発音の最小単位)を推定する音響モデル、音素の並びを単語に対応づける発音辞書、単語の並びとして自然な文を選ぶ言語モデルです。たとえば「きしゃのきしゃがきしゃできしゃした」という音素列を、言語モデルが文脈から「貴社の記者が汽車で帰社した」と推定します。
音響モデルの中核は隠れマルコフモデル(HMM)でした。Rabinerが1989年にまとめたHMMの解説論文によれば、HMMを音声処理に実装したのは1970年代のCMUのBakerと、IBMのJelinekらのグループです。2012年には、Hintonらが深層ニューラルネットワークでHMMの状態確率を出す音響モデル(DNN-HMM)の進展を総括しました。この論文では、2009年からの深層ニューラルネットワークによる音声認識の成果も紹介されています。部品が分かれているため、発音辞書に単語を足せば新語に対応できるのがこの方式の利点です。
End-to-End型とWhisper以降:68万時間の事前学習が変えたこと
2014年、GravesとJaitlyは音素の中間表現を使わず、音声から直接テキストを出すEnd-to-End型の音声認識を発表しました。音声から文字列への対応を直接学習する方式です。ただし、この論文では外部の発音辞書や言語モデルを組み合わせた評価も行っており、辞書や言語モデルの調整が不要になるとは限りません。
転機は2022年9月21日に公開されたOpenAIのWhisperです。ウェブから集めた多言語の音声68万時間で学習し、雑音や訛りに強いモデルをオープンソースで配布しました。日本語でも、レアゾン・ヒューマンインタラクション研究所が約35,000時間の日本語音声コーパスReazonSpeechを公開しており、国産の日本語特化モデルの学習に使われています。
2026年11月時点では、各社の主力モデルはいずれもこの大規模事前学習の系統です。Google Cloud Speech-to-Textのモデル一覧にはchirp_3が並び、OpenAIは録音済み音声にgpt-transcribe、ライブ音声にgpt-live-transcribeを推奨しています。なお、OpenAIの廃止予定一覧では、whisper-1とgpt-4o-transcribe系のAPIが2027年2月26日に停止予定です。APIのWhisperで組んだシステムは移行の計画が要ります(オープンソースのWhisperモデル自体は手元で引き続き動かせます)。
音声認識の精度:CER・WERの計算方法と認識率の正しい読み方
ベンダーが公表する認識率は、測った音声の条件が書かれていない限り、他社の数字とも自社の現場とも比べられません。精度は自分で測るものです。
CER・WERの定義式:置換・削除・挿入による誤り率の算出
音声認識の誤りは、別の語に置き換わる「置換(S)」、抜け落ちる「削除(D)」、余計に入る「挿入(I)」の3種類に分けて数えます。Microsoft Learnの評価ガイドが示す単語誤り率(WER)は、この3つの合計を正解文の単語数Nで割った値です。
WER =(S+D+I)÷ N × 100
日本語は単語の間に空白が無く、どこで区切るかで単語数が変わるため、文字単位で同じ計算をする文字誤り率(CER)を使うのが一般的です。「認識率95%」は、おおむね誤り率5%の裏返しとして示されています。挿入が多いと誤り率は100%を超えることがあり、「認識率=100%−誤り率」は目安にすぎません。
計算はPythonの評価ライブラリjiwerで行えます。事前にpython -m pip install jiwer==4.0.0で、この例の検証に使ったバージョンをインストールしてください。次の例は、正解「貴社の記者が汽車で帰社した」(13文字)を「記者の記者が汽車で帰社した」と誤認識した場合です。
import jiwer
reference = "貴社の記者が汽車で帰社した"
hypothesis = "記者の記者が汽車で帰社した"
print(len(reference)) # 13
print(round(jiwer.cer(reference, hypothesis), 3)) # 0.154
2026年11月15日にjiwer 4.0.0で実行した結果は0.154、つまりCER 15.4%でした。誤った単語は「貴社」1語でも、2文字とも置換されているため13文字中2文字の誤りになります。認識率に直せば約85%ですが、読み手には意味が通じます。数字の大きさと業務上の害の大きさは一致しない。これが次の測り方で誤りを分けて数える理由です。
精度を左右する4条件:雑音・話者・語彙・収録環境
同じエンジンでも、誤り率を大きく動かす要因は次の4つです。各条件の影響は録音やモデルによって異なるため、自社の音声で切り分けて確認します。
- 収録の設計:集音マイク1本か1人1マイクか、マイクとの距離、録音形式と圧縮の程度
- 雑音と音質:空調や周囲の会話、電話回線の帯域の狭さ
- 話者の条件:複数人の同時発話、早口、方言やくだけた話し言葉
- 語彙の偏り:業界の専門用語・製品名・社内略語
このうち語彙の問題は、単語登録やカスタム語彙で改善できます。Amazon Transcribeのカスタム語彙は、特定の単語の認識精度を上げるための機能です。収録品質の問題は、雑音抑制などのソフトウェア処理で改善できる場合もありますが、失われた音声情報や重なった発話を必ず復元できるわけではありません。会議室の誤り率が高いときは、エンジンを替える前にマイクの配置を見直してください。
自社音声でCERを測る5つの手順
Google Cloudの音声の精度の測定ガイドは、「umm」のような音声以外の発話を含めるかどうかなど、正解テキストの書き起こし規則を評価対象モデルの規則にそろえるよう求めています。候補のエンジンを比べるときは、この点を押さえて次の順で測ります。
- 実際の会議・通話から、条件の違う音声(静かな会議室、電話、雑音のある現場など)を各10分程度集める
- 人手で正解テキストを作る。フィラーを残すか消すかなど、書き起こしのルールを先に決める
- 句読点・全角半角・数字の表記(「3」と「三」)をそろえる正規化をかけてから比べる
- 候補エンジンごとにCERを計算し、音声の条件別に並べる
- 固有名詞・金額・日付の誤りだけを別に数える
5番目が判断の決め手です。CERが同じ10%でも、誤りが助詞の揺れに集中しているエンジンと、取引先名や金額を間違えるエンジンとでは、後工程の手間がまったく違います。正規化の有無で表記差が誤りとして数えられるため、正解文と認識結果に同じルールを適用して比較してください。
音声認識システムの費用:提供形態ごとの料金単位と月額の試算
「音声認識システムの費用」は、どの形態で使うかで桁が変わります。料金の単位をそろえて比べることから始めます。
クラウドAPIの1分あたり料金:Google・AWS・Azure・OpenAI
主要クラウドの標準的な文字起こし料金を、公式の料金ページと価格APIで2026年11月15日に確認しました。
| サービス | 方式 | 公式単価 | 1分あたり換算 | 月100時間の試算 |
|---|---|---|---|---|
| Google Speech-to-Text V2 | 標準 | $0.016/分 | $0.016 | $96 |
| Google Speech-to-Text V2 | 動的バッチ | $0.003/分 | $0.003 | $18 |
| Amazon Transcribe(東京) | バッチ | $0.0001/秒 | $0.006 | $36 |
| Amazon Transcribe(東京) | ストリーミング | $0.0001667/秒 | 約$0.010 | 約$60 |
| Azure Speech(東日本) | 標準(リアルタイム) | $1.0/時 | 約$0.017 | $100 |
| Azure Speech(東日本) | 高速文字起こし | $0.36/時 | $0.006 | $36 |
| OpenAI gpt-transcribe | 録音済み | $0.0045/分 | $0.0045 | $27 |
| OpenAI gpt-live-transcribe | ライブ | $0.017/分 | $0.017 | $102 |
出典はGoogle Cloudの料金ページ(月50万分までの単価)、Amazon Transcribeの料金ページと東京リージョンの価格表、Azureの小売価格API、OpenAIの料金ページです。Amazon Transcribeは1秒単位の課金で最低課金時間がありません。いずれも従量課金で、為替と改定で変わるため、契約前に各公式で確かめてください。
同じ社のなかで比べると、ライブ・ストリーミング向けの単価は録音済み音声の一括処理の約1.7〜3.8倍です(AWS・Azure・OpenAI)。会議の後に議事録ができれば足りる用途で、リアルタイムを選ぶ理由はありません。日本語の対応状況やSDKの使い方まで含めた比較は文字起こしAPIの比較と選び方|主要7サービスの料金・日本語対応・使い方、AWSの詳細はAmazon Transcribeとは?料金・使い方・日本語対応と対応形式を解説を参照してください。
既製サービス・OSS・個別開発の費用構造の違い
APIのほかに、月額制の文字起こし・議事録サービスと、Whisperなどのオープンソースモデルを自社サーバーで動かす方法があります。費用の構造はそれぞれ違います。
- 既製の文字起こしサービス:利用者数や利用時間に応じた月額。導入は早いが、他システムとの連携はサービスが用意した範囲に限られる
- クラウドAPI:上の表の従量課金。安いが、録音の受け渡し・結果の保存・画面などは自社で作る
- OSSモデルの自社運用:利用料はかからないが、GPUサーバーの費用と運用の手間がかかる。音声を外部に出せない場合の選択肢
- 個別開発:APIやOSSを部品に、録音・認識・要約・基幹システム連携までを一体で作る。初期費用が最も大きい
費用は、API料金やサーバー費用に加え、誤認識を直す人件費も含めて比較します。月100時間の場合も、修正時間に人件費単価を掛けて算出し、API料金と比べてください。比べるべきは「修正にかかる人の時間がどれだけ減るか」です。日本語の特化モデルを自社で動かす場合の選び方はNeMo ASRとは?NVIDIA音声認識モデルの選び方と日本語の実測・導入手順で実測しています。
音声認識の業務適用:議事録・文字起こしとコールセンター
導入実績の多い2つの領域は、効果の出方が違います。
議事録・文字起こし:人手修正を前提にした業務設計
人が内容を確認・修正できる社内議事録は、誤りを許容できない自動処理に比べ、試験導入しやすい用途です。効果を決めるのは修正の工程の設計です。全文を読み直すのか、固有名詞と数値だけを確認するのか、要約だけを残して全文は検索用に置くのか。この線を先に決めないと、「文字起こしの修正に結局同じだけ時間がかかる」という結果になります。
話者の切り分けが要る会議では、1人1マイクで収録するか、話者識別の精度を別に確かめてください。法人向けの議事録ツールの比べ方はAI議事録・自動文字起こしとは?仕組み・精度・法人での選び方で扱っています。
コールセンター:全通話のテキスト化で可能になる3つの用途
コールセンターでは、これまで一部の抜き取りでしか確認できなかった通話を全件テキストにできることが価値の中心です。用途は大きく3つあります。応対品質の評価(禁止語や必須説明の漏れの検出)、顧客の声の集計(問い合わせ理由の分類と推移)、そして応対中のオペレーター支援(回答候補やFAQの提示)です。
電話音声は帯域が狭く、会議音声より誤り率が上がりやすいため、評価は必ず実際の通話録音で行います。適用領域と導入の順序はコールセンターAIとは?5つの適用領域と導入順序・効果測定の指標を解説、声のトーンから感情を推定する技術はコールセンターの音声感情分析とは:仕組み・導入効果・失敗しない運用設計を解説で解説しています。
音声認識の導入判断:既製サービスで足りる条件と個別開発が要る条件
まず、既製サービスで要件を満たせるかを確認します。
既製サービスで足りる場合・個別開発が要る場合の分岐
既製の文字起こしサービスで足りるのは、汎用的な会議の議事録など、標準の語彙で用が済み、結果を人が読んで使う場合です。月額費用だけで始められるため、まず試すならこの形態です。
次の要件がある場合は、既製製品の辞書登録・連携機能・オンプレミス対応で満たせるかを確認し、不足する部分について個別開発を検討します。
- 医療・法律・製造など、標準モデルが知らない専門用語が業務の中心にある
- 通話録音を顧客管理システムや基幹システムへ自動で流し込みたい
- 音声を社外のクラウドに出せない(社内サーバーでの処理が必要)
当社のAI音声認識システム開発では、こうした要件に合わせて、エンジンの選定から既存システムとの連携までを個別に設計しています。
導入を見送るべき場面:録音条件を変えられない現場
音声認識を入れても効果が出ないのは、収録の条件を変えられない現場です。たとえば、大部屋の中央に集音マイクを1本置くしかなく、複数人が同時に話す会議。このような現場では、候補エンジンごとに修正時間を測り、人手で最初から書き起こす時間と比べてください。修正のほうが長くかかるなら、マイクを増やせるようになるまで導入を見送り、要点だけを人がメモする運用を続けるほうが安く済みます。
音声データの取り扱い:個人情報に当たる条件
録音した音声は、それだけで個人情報になることがあります。個人情報保護委員会のQ&A 1-10は、通話内容から特定の個人を識別できる場合は個人情報に当たると説明しています。Q&A 1-11では、音声だけで識別できなくても他の情報と容易に照合して識別できれば全体として個人情報に当たり得るとし、さらに声の特徴を本人認証用のデータに変換したものは個人識別符号として単体で個人情報になるとしています。
クラウドAPIに音声を送る場合は、送信先の保存期間と、学習への利用の有無を契約前に確認してください。個人情報に該当する場合は、利用目的の通知または公表を行います(Q&A 1-10は、録音している旨を相手に伝える義務までは負わないとしています)。録音の告知方針と、音声・テキストそれぞれの保存期間・アクセス権限も決めておきます。
よくある質問
音声認識の精度は実際どのくらいですか?
一律の数字では答えられません。同じエンジンでも、静かな環境で1人がはっきり話した音声と、雑音のある電話音声、複数人の同時発話、専門用語の多い会話とでは誤りの量が大きく変わります。公称の認識率は測定条件が分からないと比べられないため、自社の録音を人手で書き起こし、文字誤り率(CER)を候補のエンジンごとに測るのが確実です。固有名詞・金額・日付の誤りを別に数えると、業務で使えるかどうかを判断しやすくなります。
音声認識と文字起こしはどう違いますか?
音声認識は音声をテキストに変える技術そのもので、文字起こしはその技術を使う用途の1つです。文字起こしサービスは、音声認識に加えて、話者の切り分け、句読点の付与、フィラーの除去、要約などを組み合わせて提供しています。そのため、同じ音声認識エンジンを使っていても、サービスによって仕上がりが違います。比べるときは、テキスト化の誤りと、話者の切り分けや要約の誤りを分けて確かめてください。
方言や専門用語は認識できますか?
方言やくだけた話し言葉は、大規模な音声で学習した現行のモデルで以前より認識しやすくなりましたが、標準語の読み上げより誤りは増えます。専門用語・製品名・社内略語は、標準のモデルが知らないことが多い語です。Amazon Transcribeのカスタム語彙のように単語を登録できる機能を使うか、自社の音声で追加学習することで改善できます。導入前に、自社の専門用語を多く含む録音でテストしてください。
音声認識と音声合成はどう違いますか?
向きが逆です。音声認識は音声を入力にしてテキストを出力し、音声合成(TTS)はテキストを入力にして音声を出力します。自動音声応答やボイスボットでは、利用者の声を音声認識でテキストにし、応答文を音声合成で読み上げるというように、両方を組み合わせて使います。生成AIで声を作る技術も音声合成の一種です。
音声認識システムの開発を外注するとき、何を準備すればよいですか?
最低限、実際の業務で録った音声のサンプルと、その正解テキスト、業務で使う専門用語の一覧を用意してください。これがあれば、開発会社は候補のエンジンで誤り率を測り、カスタム語彙や追加学習がどこまで効くかを見積もれます。あわせて、リアルタイムが必要か録音後の処理で足りるか、音声を社外に出せるか、結果をどのシステムへ渡すかを決めておくと、構成と費用の見積もりがぶれません。