Captions Cut

自動字幕の精度はどのくらい？

Captions Cutの制作者が書いています。情報は、「出典」に挙げたページに基づき、に確認しました。

結論

主要言語のはっきりした音声であれば、現在の最良の音声認識は、100語中およそ95〜98語を正しく認識します（単語誤り率で2〜5%）。それでも45秒のクリップには数か所の誤りが残り、多くは人名、スラング、数字です。背景の雑音、遠いマイク、同時発話、強いアクセント、リソースの少ない言語では精度が大きく下がるため、投稿前にすべての字幕を確認してください。

単語誤り率を、やさしく言うと

単語誤り率（WER）は、話された100語あたりで、システムが誤った単語（置換、脱落、挿入）の数を数えたものです。WERが5%なら、約20語に1回の誤りになります。短いクリップは100〜150語程度なので、優れたシステムでも、たいてい直す箇所が残ります。

システムのスコア

ベンチマーク結果測定した主体
Artificial Analysis、実際の英語音声約8時間ElevenLabs Scribe v2：WER 2.2%、テストしたモデルのうち4位前後独立したベンチマーク
AssemblyAI独自のデータセット同社のUniversal-3.5 Pro 4.35%、GPT-4o Transcribe 5.34%、Scribe v2 5.87%、Deepgram Nova-3 6.66%AssemblyAI（ベンダー）
LibriSpeech test-clean（朗読されたオーディオブック）Whisper large-v2：WER 2.7%OpenAIのWhisper論文
ElevenLabs独自の言語ティア英語、フランス語、ドイツ語、スペイン語、日本語は5%以下、ウルドゥー語、ヨルバ語、ズールー語は20〜50%ElevenLabs（ベンダー）

失敗する原因

  • 雑音と距離。CHiME-6チャレンジでは、部屋の向こうから話す人の録音で、ベースラインシステムのWERは約51%でした。
  • 誰が話しているか。2020年のPNASの研究では、5つの商用システムの平均WERは、黒人の話者で35%、白人の話者で19%でした。
  • 同時発話と言語の混在。YouTubeは、自社の字幕が失敗する理由として、同時発話、言語の混在、長い無音を挙げています。
  • でっち上げ。Whisperの論文は、モデルが音声と無関係なテキストを出力することがあると指摘しています。

よりきれいな字幕にするには

  • マイクの近くで録音し、音楽や交通の音から離れましょう。
  • 短いクリップや言語が混在するクリップでは、自動検出に任せず、音声の言語を選びましょう。
  • 書き出す前に文字起こしを読みましょう。Captions Cutではすべての単語を編集でき、タップするとテキストやタイミングを修正できます。

確認方法

ベンダーは、自社が選んだベンチマークで自社を1位にします。そのため、数値は各社のものとして表記し、ベンダー間では比較していません。独立した数値はArtificial Analysisのものです。2026年10月22日に確認しました。

よくある質問

自動字幕は、確認せずに投稿できるほど正確ですか？

めったにありません。WERが2〜5%でも、短いクリップには、たいていは人名などに1〜2か所の誤りがあります。先に読んで確認してください。

どの言語が最も正確に文字起こしされますか？

学習データが豊富な、話者の多い言語（英語、スペイン語、フランス語、ドイツ語、日本語など）が最も高いスコアです。Captions Cutは53言語に対応しており、リソースの少ない言語は修正が多めに必要です。

出典

各ページをに確認しました。

ブラウザで動画に字幕を付ける iPhoneアプリを入手