AIと手作業の文字起こし：研究が実際に示していること
2026年6月30日 · 8 分で読める
速度、精度、コスト。2024年のCISPA研究を文脈から読み解きます。Whisperクラスのツールで十分な場合と、人間がまだ勝る場合。
AIによる文字起こしは、速さも安さも進み続けています。でも、十分な質なのでしょうか？CISPAの研究者は2024年に、11のプロバイダー（手作業とAIの両方）を比較しました。結果は現場での実感と一致しています。速さは確かだが、完璧さは必ずしもありません。
CISPA研究の概要
Jakub Mrowczynskiのチームは、2022年12月に11のサービスを比較しました。Rev、Amberscript、Amazon Transcribe、Google Cloud、Microsoft Azure、OpenAI Whisperなどです。単語誤り率と、意味を歪める誤りを測定しました。
- 手作業のサービス：全体として強く、意味の誤りが少ない
- AIのサービス：意味がずれることが多い（例：「hashes」→「ashes」）
- AIのプロバイダーのうち、Whisperがもっとも良い結果だった
- 多くのシステムは、ドイツ語より英語のほうをうまく扱えた
- 2022年末時点のスナップショット。新しいモデルは改善しているが、傾向は残っている
| 項目 | AIの文字起こし | 手作業の文字起こし |
|---|---|---|
| 音声1時間あたりの時間 | 処理に約5〜10分 | 作業に約4〜6時間 |
| 費用 | 1分あたり数セント | 1分あたり1〜3ドルになることが多い |
| 精度（クリアな音声） | 約90〜96% | 99%以上も可能 |
| 精度（騒がしい部屋） | 大きく低下する | より安定している |
| 話者の識別 | 改善しているが、常に安定するわけではない | より信頼できる |
実践的な推奨
- 講義：AI＋10〜20分の確認
- 報道：AIで下書きし、引用は耳で二重に確認する
- 会議：社内用途ではAIで足りることが多い
- 法律・医療：人による文字起こし、または認証された手順
研究の結論は一致しています。速さと規模ではAIが勝り、精度と文脈の理解では人間が勝ります。Sprechverlaufは、アカウントなしで、Whisperによる話者分離、タイムスタンプ、書き出しを提供しています。検索できる下書きを自分で修正したい場合に向いています。