文字起こしAIの比較（日本語・GPUなし）

最終更新：2026年11月3日

完全ローカル文字起こしの標準の文字起こしAIは、米国 OpenAI が2024年に公開した Whisper large-v3-turbo です。その後も日本語に対応した新しいAIが公開されているため、GPUのないパソコンで同じ音声を通して比べました。

比べた結果

誤りは、正解のある9本（計7,886字）で、正解の文と比べて違う・抜けた・余分な文字の割合です（低いほど正確）。正解の無い19本でも、2つの出力を並べて抜けと繰り返しを比べました。Cohere Transcribe の処理時間は turbo の約6〜7割でしたが、会議の聞き取りやインタビューでは、出た文字が turbo の2〜4割にとどまりました（テストの条件）。

音声の種類ごとに見ると

同じ議会の挨拶（約5分）を、電話の音質・小さい音・雑音入りに加工して比べました。turbo はどの音でもほぼ変わらないのに対し、Cohere Transcribe は小さい音や雑音で誤りが大きく増えます。

実際の出力で比べると

台本のあるナレーションの一部です。赤い波線は聞き違い、点線の枠は文がまるごと抜けたところです（AIが出した文字をそのまま写しています）。

「Whisper」が「ウィスパー」になるような書き方の違いは、誤りとして数えていません。文がまるごと消えると、読んでも気づけないため、文字起こしでは特に困る誤りです。

同じテストに入れなかったAI

• ReazonSpeech（日本）：turbo より20〜40倍速く動きます。ただ、別に行った24本のテストで文の15〜22%が抜けたため、見送りました。
• Haas-ja v1.0（2026年）：開発元の比較では、公開されているAIの中で最も誤りが少ないとされています。Linux と NVIDIA の GPU でしか動かず、Windows のパソコンでは使えないため、測っていません。
• Qwen3-ASR（中国）：下の公開されている比較（HEROZ）で、turbo より誤りが多い結果でした。

公開されている比較と、実際の音声での結果は違う

2026年8月に公開された11種類の比較（HEROZ Tech Blog（新しいタブで開く））では、Cohere Transcribe は FLEURS という音声のセットで誤り 2.89%（turbo は 3.88%）と、turbo より良い数字でした。一方、JSUT というセットでは 8.59% 対 7.22% で turbo が上でした。

私たちの音声では、Cohere Transcribe の誤りは turbo の約3倍でした。読み上げのような整った音声と、電話・会議・小さな声の録音では、順位が入れ替わります。そのため、新しいAIは必ず実際の業務に近い音声で測ってから判断しています。

2年前のAIが、今も一番の理由

• いろいろな音で学習しています。Whisper large-v3 は、ネット上の多様な音声を合わせて約500万時間（多くの言語の合計）で学習しています。後から出た日本語向けの公開AIは、テレビ放送や読み上げなどの整った音声が中心のものが多く、電話や会議の音声で崩れやすくなります。
• 新しいAIの多くは、別の目的で作られています。英語・速さ・話しながら出る字幕・GPU前提の大きなAIが中心で、「日本語」「GPUなし」「長い録音」「句読点つき」をすべて満たすものはほとんど出ていません。
• さらに精度の高いAIの多くは、クラウド専用です。音声を外部へ送る必要があり、パソコンの中だけで使える形では配られていません。

turbo は、large-v3 の精度をほぼ保ったまま、GPUのないパソコンでも実用的な速さで動くよう軽くしたAIです。同じAIを使っても、前後の処理で結果は大きく変わります。その工夫は文字起こし精度の根拠をご覧ください。

テストの条件

よくある質問