AIの文字起こしの限界：ファイルサイズ、長さ、精度

AIによる文字起こしは、何時間もの話し声を検索できるテキストに変えられます。ただし、どのサービスにも限界があります。アップロードの最大サイズのような、厳密な技術的な境界もあります。一方で、実際上の限界もあります。ファイルはアップロードに成功しても、話者が重なる、録音に雑音が多い、語彙が非常に専門的である、といった理由で、慎重な確認が必要になることがあります。この違いを知っておくと、アップロードの失敗や、非現実的な精度への期待を防げます。

AIの文字起こしの限界は何か？

AIの文字起こしは、ファイルサイズ、録音時間、処理時間、音質、言語対応、話者の分離、必要な人による確認の量によって制限されます。Sprechverlaufの現在の厳密な上限は、アップロードファイル1つあたり100 MiB、1時間あたり最大5回の文字起こし開始、そして1ファイル4時間の絶対的な上限です。加えて、プランによって利用枠が決まります。無料お試しでは、1ファイル10分まで、月3回まで。1日パス、クレジット、Proでは、1ファイル最大4時間まで。

ファイルサイズの上限：アップロードごとに100 MiB

Sprechverlaufは現在、100 MiBまでのアップロードファイルを受け付けています。これは例外のない上限です。それより大きいファイルは、アップロードの前に圧縮するか分割する必要があります。対応形式にはMP3、WAV、M4A、OGG、FLAC、WebMがありますが、形式だけではサイズは決まりません。ビットレート、チャンネル数、サンプルレート、圧縮方式によって差が出ます。

100 MiBには、どれだけの録音が入るか？

メガバイトから分への決まった換算はありません。小さく圧縮した話し声のMP3なら何時間分も入りますが、非圧縮のWAVは同じサイズにもっと早く達します。以下の目安は、ビットレートが一定であることを前提とし、コンテナのわずかなメタデータ分は除外しています。そのため、実際のファイルは少し短くなることがあります。

話し言葉の素材では、コピーをモノラルのMP3またはM4Aとして書き出すと、音声モデルに必要な情報を取り除かずに、アップロードサイズを大きく減らせることがよくあります。元の録音は別に保管し、小さいほうの作業用コピーを文字起こししてください。

録音時間に上限はあるか？

無料お試しでは、1ファイル10分までに加えて、暦月あたり3回の文字起こしと30分分の音声が使えます。上限は毎月1日にリセットされます。1日パス、クレジット、Proでは、この上限が1ファイル4時間まで引き上げられます。プランの枠を超えると、ファイルサイズと処理時間が意味のある境界になります。長くてビットレートの低い録音なら、100 MiBに収まるかもしれません。ただし、非常に長い収録は論理的なセクションに分けると、アップロードが楽になり、失敗したセクションを再試行するコストが減り、扱いやすい文字起こしになります。

• インタビューや会議は、余裕を持って収まり、話者の連続性が大切な場合は、1ファイルのままにする
• 数時間に及ぶ学会は、セッション、話者、議題ごとに分ける
• 書き出す前に、長い無音と音楽だけの部分を取り除く
• 文の途中で切るのではなく、切れ目ごとに数秒の文脈を残す
• 文字起こしのセクションを順番どおりに保つため、わかりやすいファイル名を使う

利用上の上限：1時間に5回まで文字起こしを開始可能

無料サービスでは、不正利用を防ぐための技術的な措置として、1時間に最大5回まで文字起こしを開始できます。これは有料の分数の残高ではありません。また、長い音声だからといって、利用枠が小さくなるわけでもありません。大量の録音を扱う場合は、まずすべてのファイルを準備して確認し、重複や不完全なアップロードに開始回数を使うのではなく、重要な録音から順番に処理してください。

精度には、正直に言える全体共通の数字はない

精度を一つの数字で言い表すことは、どの録音についてもできません。対応言語で、マイクの近くで話された明瞭な発話は、エコー、割り込み、専門的な固有名詞がある離れた場所でのグループ討論に比べて、ずっと扱いやすいです。流暢に見える文字起こしでも、数字、固有名詞、話者の割り当てを間違えていることがあります。そのため、読みやすいことは、事実として正確であることの証明にはなりません。

• 背景の雑音で、子音や語尾が隠れることがある
• エコーや音割れは、ソフトウェアが確実に復元できない細部を失わせる
• 話が重なると、言葉づかいも話者の割り当ても難しくなる
• 訛り、言語の切り替え、珍しい言語は、誤りを増やすことがある
• 名前、略語、製品名、数字は、手作業で確認する価値がある
• 音楽、拍手、長い同時発話は、使えない箇所を生むことがある

話者認識は役立つが、完璧ではない

話者分離は、誰がいつ話したかを答えるものです。言葉を認識することとは別の仕事です。声の違いがはっきりしていて、発話の交代が明確な場合は、通常うまく分けられます。声が似ている場合、一言だけの割り込み、マイクの共有、同時発話では、ラベルが混ざったり入れ替わったりすることがあります。冒頭を聞いて、一般的なラベルを実名に対応させ、引用や公開をする発言の割り当てはすべて確認してください。

言語と専門用語の限界

多言語モデルは多くの言語に対応していますが、言語によって性能は同じではありません。録音の言語が分かっている場合は指定すると、不必要な言語判定の誤りを防げます。講義、研究インタビュー、技術的な会議では、重要な名前、略語、専門用語をプロンプト欄に加えてください。文脈を与えられますが、校正の代わりにはなりません。

処理とプライバシーの限界

Sprechverlaufは、AI処理のために、録音をOpenRouterを経由してMicrosoft Azure（有料オプション）またはDeepInfraかGroq（無料お試し）に送信します。プロバイダー側ではデータ保存なし（Zero Data Retention）です。長い録音は30分単位のセクションに分けられ、並列に処理されます。そのため、数時間分のファイルでも数分で結果が揃います。Sprechverlaufは、文字起こしを最長2時間までメモリに保持し、音声は永続的に保存しません。文字起こしは、ログインしている場合にのみ、アカウント内に暗号化して保存されます。残しておきたい場合は、結果をWordまたはPDFで書き出してください。

人による確認がまだ必要な場合

誤りが重大な結果を生む場合、AIの出力は速い下書きとして扱うのがもっとも適切です。引用は録音と照らし合わせて確認し、数字や名前も確認してください。法律、医療、児童や要保護者の保護、その他の重大な内容については、資格を持つ人による手順を使ってください。大事な問いは、モデルがそのファイルを文字起こしできるかどうかだけではありません。その結果が、意図した用途に十分信頼できる根拠になるかどうかです。

長い文字起こしを始める前のチェックリスト

• ファイルが100 MiB以下であることを確認する
• 大きすぎるWAVファイルは、話し声向けの品質のMP3またはM4Aのコピーに変換する
• 数時間の録音は、自然なセクションの区切りで分ける
• 録音の言語が分かっている場合は、自動検出に頼らず言語を選ぶ
• 名前と専門用語を文脈として加える
• 話者分離には、正しい話者数を指定する
• 引用、数字、名前、センシティブな主張を確認する予定を立てる
• 結果のページを離れる前に、完成した文字起こしを書き出す