文字起こしソフトウェア、 徹底解説

精度に関する退屈な真実（と「95%の罠」）

ネット上のすべての文字起こし製品が、95〜99%の精度を謳っています。Nottaは98.86%と宣伝しています。Happy Scribeは99%の人間による文字起こしティアを販売しています。私たちのホームページのFAQにも、ローカルモードの精度は「通常95%〜99%の範囲」と書いてあります。これらの数字はどれも嘘ではありません。ただ、測定に使用した音声データを示さずに提示された、誤った指標なのです。

基礎研究が示すことを説明します。OpenAIのWhisper large-v3は、ほぼすべての現代的な文字起こしツールが使用、模倣、または競合しているモデルです。Hugging Face ASRリーダーボードの公開データでは、平均Word Error Rate（WER）が7.44%と報告されています。スタジオ録音品質のオーディオブックデータセットであるLibriSpeech-cleanでは、同じモデルのWERは2.01%です。一方、重複した音声と劣悪な音響環境を持つ会議室ベンチマークAMIでは、同じモデルのWERが15.95%に達します。同じモデル。同じ週のテスト。劣悪な音声環境では8倍ものエラーが発生します。

この差が「95%の罠」です。スタジオ環境での「95%の精度」は、移動中の車からボスが呼び出した会議では84%になり得ます。OpenAIの自社モデルカードには、パフォーマンスは言語によって不均一で、低リソース言語では低く、アクセント、年齢、性別、人口統計によって異なると明記されています。NVIDIAもParakeetについて同様のことを述べています：LibriSpeech-cleanでのWERは1.93%、AMIでは11.31%です。

マーケティングページで精度の数字を見かけたら、そのベンダーが答えなかった質問をしてみてください。どんな音声で。どんなマイクで。どんな言語で。何人の話者が同時に話していたか。ページに書いていなければ、それはベストケースの数値と思ってください。そしてあなたの実際の音声はもっと状況が悪いと想定してください。

退屈な真実を言うと、文字起こし精度を最も向上させるのはモデルではなく、マイクです。

AI文字起こし vs. 人間による文字起こし

今、世界には2種類の文字起こしソフトウェアが存在しています。価格帯が似ているため、混乱の半分はここから生まれています。

AI文字起こしは安くて即時です。ファイルをアップロードするか、リアルタイムで口述すると、モデルが数秒でテキストを返します。精度はひどい会議の84%からきれいな音声メモの98%の間に収まります。Happy ScribeはAIプランのトップアップに1分あたり$0.20を請求しています。私たちのCloud modeは、OpenAIを通じて直接1分あたり約$0.003を請求します。Otter、Notta、Trint、Descript、Jamie：これらは全てフードの下でAIで動いており、多くの場合は同じ少数のモデルを使用しています。

人間による文字起こしは高価で時間がかかります。人が音声を聞いてタイプします。Happy Scribeの人間による文字起こしティアは1分あたり$2.00から始まります。4時間以上のターンアラウンドで99%の精度を謳っています。Rev、GoTranscript、その他いくつかのサービスも同様の価格帯にあります。使用ケースは実在しますが限られています：裁判所の記録、医療の証言、間違った薬の名前を含むAI出力の2%が誰かを法廷に送り込むような状況。

これを読んでいる大半の方はAIを必要としています。確認するために表を使ってください。

よく見かけるのは、不安から人間による文字起こしにお金を払う人たちです。そして、6時間後に届く頃には既に次のことに移っているので、結果を読まないのです。火曜日までに無視される答えであれば、AIで十分です。

クラウドvs.ローカル：あなたの音声はどこへ行くのか

誰もこのパートを読みたくありませんが、全員が読むべきです。文字起こしツールを選ぶと、あなたの声の音声（一言一句全て）がどこかへ送られます。その「どこか」が重要です。

クラウド文字起こしとは、音声がコンピューターから外へ出ることを意味します。ベンダーのサーバーに送られ、そのハードウェア上で動作するモデルによって文字起こしされ、テキスト（および通常は音声も）は取得できる期間中保存されます。Otter、Trint、Notta、Happy Scribe、Descript、Jamie、Wispr Flow：これら全てはクラウドです。私たちのCloud modeもそうですが、重要な違いがあります。Cloud modeでは、音声はあなたのマシンから直接、あなた自身のAPIキーを使用してOpenAIに送信されます。Whisper by Remskillは中間に入らず、音声も文字起こしも見ることはありません。あなたのデータに関する責任あるベンダーは、あなたが選んだモデルを提供する会社です。

ローカル文字起こしとは、音声がラップトップから外へ出ないことを意味します。モデルはCPUまたはGPUで動作します。ネットワークの往復なし。ベンダーのログなし。「サービス改善のためにデータを使用する場合があります」という条項なし。Apple DictationはサポートされているMacで一般的なテキストに対してこれを行います。私たちのローカルモード（ParakeetとWhisper）はWindowsとApple Silicon Macで動作します。このカテゴリで純粋なローカル処理を提供している他の製品はほとんどありません。

かつて、私が関わっていたあるチームの話があります。彼らはGPT-4を使った内部の「AI口述」プロトタイプを構築しました。すべてのチームメンバーのラップトップで動作し、発話のたびにAPIを呼び出していました。四半期末に、チームマネージャーがクラウドコストのダッシュボードを開くと、5桁の請求を発見しました。ほとんどは、プロトタイプの「スマートリトライ」ロジックが積極的すぎたために、スタンドアップ録音を4回ずつ文字起こしした単一のチームによるものでした。CFOの反応はこうでした：「それか、すでにメモがある会議のクラウド文字起こしに費用をかけない。」ポイントはクラウドが高いということではありません（一人のユーザー量では通常そうではありません）。ポイントは、誰かがあなたに説明を求めるまで、あなたのマシンから何が出ているかに気づかないことが多いということです。

今日広告されているほとんどのAI口述アプリは、自分で呼び出せるOpenAI Whisper APIコールに$30/月のラベルを貼ったものです。彼らはサーバーでモデルを実行し、結果をあなたの画面に転送するソフトウェアに対してクラウドマークアップを請求しています。そのモデルは2022年から利用可能です。高いのはAIではありません。高いのは継続的なサブスクリプションです。音声が機密性の高いものであれば、またはラップトップが過去4年以内のもので他のことをあまりしていないなら、ローカルが正直な選択です。

That choice deserves its own breakdown, so our local vs cloud transcription guide spells out the accuracy, privacy, and cost trade between keeping audio on your machine and sending it to a server.

If that resonates, it is worth reading how offline speech-to-text desktop apps keep your voice on your own machine.

Whisper by Remskillができること（とできないこと）

Whisper by Remskillは私たちのアプリです。ホットキーの後ろに音声テキスト変換を配置するデスクトップツール（WindowsとApple Silicon Mac）です。ホットキーを押して、話して、離すと、カーソル位置にテキストが表示されます。メール、Word、Slack、コードエディター、ブラウザのアドレスバーなど、あらゆるアプリで動作します。ローカルパイプラインは認証済みユーザーであれば誰でも無料です（Whisper、Parakeet、Ollama AIエンハンスメント、履歴、プリセット、カスタムホットキー）。サインアップ時に支払い方法は不要です。ProはCloud機能を追加します。

3つの文字起こしパスを提供しています。アプリはデフォルトを選びません。あなたが選択します：

デフォルトのホットキーはWindowsではCtrl+Space、macOSではCommand+Optionで、どちらもSettingsでカスタマイズできます。デフォルトのAI起動キーワード（AI処理がオンの場合）は「Hey whisper」です。ローカルAIエンハンスメントはlocalhost:11434のOllamaを通じて動作します。3つのパフォーマンスプリセット（Fast、Balanced、Accurate）は、内部でビームサイズと音声アクティビティのしきい値を切り替えます。

Whisper by Remskillができないこと：会議ボット。ZoomやTeamsに参加したり、後で要約したり、カレンダーの招待を追いかけたりはしません。あなたのマシンにある1つのツール、1つのホットキー、カーソルへの貼り付け。会議のメモ取りツールが必要なら、それは別のカテゴリです。続きをお読みください。

名前についての注意点があります。これはほぼ全員が混乱するところです。Whisper（OpenAIモデル）は2022年にリリースされた無料のオープンソース音声認識モデルです。Whisper by Remskillは私たちのデスクトップアプリで、そのモデル（および他のモデル）を使用しています。オンラインで誰かが「Whisperを使っている」と言う場合、半分はモデルのことを指し、半分はプロダクトのことを指しています。レビューを読む際は区別しておく価値があります。

録音オーバーレイの 3 つの状態

Whisper が起動している間、ピル型の表示が画面下部に現れます。邪魔にならず、アプリの操作も妨げません。

ハードウェアに合った Whisper モデルの選び方

英語版（.en）は英語専用で、英語の音声では多言語版よりわずかに高速で、わずかに正確です。複数の言語で口述する場合や英語への翻訳が必要な場合にのみ、多言語版を選んでください。

知っておくべきその他のツール

「最高の文字起こしソフト」でGoogle検索すると、これらの名前が出てきます。ほとんどは実際に使ったことがあり、いくつかは私たちがカバーしない用途のために手元に置いています。

8つのツールを一通り見ました。このカテゴリの他のほぼ全てはこれらの会社のリブランドか、これらのモデルを小さな箱に入れたものです。

If text-to-speech is what you actually need here is the honest free TTS roundup with the H1-vs-FAQ trick every "free" page hides.

このリストのツール全てをスキップして、スマホを使うべき場合

Before you pay anyone anything, check what is already on your phone. iOS ships system-level dictation through Voice Control and the keyboard mic. Android ships Live Transcribe and Gboard voice typing. Both are free, no signup, work in every app, and the quality on modern phones is good enough for short text — we walked through the talk-to-text shortcuts on every device if you want the exact key combos.

「夕食を作りながらLINEに返信する」や「この会議が始まる前に60語のメモを書く」という用途なら、スマホが正解です。ラップトップを開くより速く、何かにログインするより速く、月額費用もかかりません。AppleのMac Dictationも見る価値があります。サポートされているMacでは、デバイス上で一般的なテキストを処理し、固定の長さ制限なしに好きなだけ口述でき、30秒の無音後に自動で停止します。この無音タイムアウトが「Apple Dictationには30秒の制限がある」という根強い誤解の元になっています：録音の上限ではありません。Apple Dictationは現在62の言語と地域バリアントをカバーしており、ほとんどの有料製品より多いです。

スマホが苦手なのはデスクトップアプリへの継続的な口述です。スマホでメールを口述することはできます。スマホからCRMに12パターンのコールドメールを口述することもできます。ただし、苦痛を伴います。そこでデスクトップツールが価値を発揮します。それまでは、スマホは無料です。

If most of your desktop dictation is email — specifically dictating Gmail replies on a laptop — there is a separate breakdown of the Chrome-extension path versus the system-app path that goes deeper than this article does.

価格

ほとんどの文字起こしツールは月$20〜$50を求めます。私たちはより安く、一度だけの支払いも可能です。

このカテゴリの価格帯は4つのバケットに分類されます。AIのみのサブスクリプションツール（Otter、Trint、Notta、Descript、Jamie）はユーザーあたり月$10〜$50の範囲で、録音時間で上限のある充実した無料ティアを持つ場合もあります。Happy Scribeのようなアプリ＋人間のサービスはサブスクリプションに加えて分単位で請求します。人間ティアだけで1分あたり$1.90〜$2.00かかります。ホットキー口述ツール（Wispr Flow、私たち）は生産性ソフトウェアのように価格設定されており、個人ユーザーの月額または年額で、時にはライフタイムオプションもあります。そして無料オプション：Apple Dictation、Googleの音声入力、スマホの内蔵キーボードマイク。AppleとGoogleがそのOSを提供し続ける限り、月額ゼロです。

正直な判断基準は「何が最も安いか」ではありません。「自分が実際にやることに対して、次の3年間の継続コストは何か」です。週2回使う$20/月の会議ツールは3年で$720になります。毎日使う口述ツールの一度きりのライフタイム購入は1回の支払いで済みます。購読ボタンをクリックする前に、月額に36を掛けてみてください。週に1度しか使わないサブスクリプションにとって、その計算はほぼ友好的ではありません。

現在の価格（月額、年額、ライフタイム、チーム）は価格ページに掲載しています。変更することがあるため、ここには記載しません。

この記事の退屈なバージョンはこうです：あなたはすでに自分に何が必要かを知っています。一日中文章を書き続ける？ローカルかクラウドのホットキー口述ツール。週に1回の会議？会議メモ取りツール、月額サブスクリプション。90分のインタビュー1本？Happy Scribeに1分$0.20払って次に進んでください。法的証言？人間を雇ってください。退屈でないバージョンはこうです：このカテゴリのほとんどの人は、マーケティングページを全部同じ3人が書いているせいで、間違ったプロダクトにお金を払っています。正直な手順は、来月やろうと思っていることではなく、今週実際に自分がやっていることを見て、そのヒーローコピーがそれを説明しているツールを選ぶことです。残りはノイズです。