アカウント不要。1日の利用回数制限なし。他のサービスでは、1日に3ファイルまでという制限を設けて「無制限」と謳っていますが、ここでは最大60分までのファイルを好きなだけ処理できます。
「99％正確！」という宣伝はどこにでもありますが、それは主に理想的な音声データに基づいて測定されたものです。ここでは、実際の精度が何を意味するのか、何がそれを損なうのか、録音から現実的にどの程度の結果を期待できるのか、そしてほぼ完璧な文字起こしを得るためにどのように録音すればよいのかについて説明します。
業界標準の指標は 単語誤り率（WER）機械による文字起こしを行い、実際に発言された内容と比較して、以下の3種類の誤りを数えます。 置き換え （間違った単語）、 挿入 （余分な単語）、および 削除 （欠落した単語）。合計を話された単語数で割り、それがWER（単語誤り率）です。WERが5％の場合、おおよそ20個の単語のうち1つが間違っていることになり、通常は「95％正確」という形で逆算して表現されます。
WERについて人々が見落としがちな点は2つあります。まず、すべてのエラーを同等に扱いますが、実際には、名前、投与量、または数量などの重要な単語の間違いは、「えーと、まあ」のような言葉の言い間違いよりもはるかに大きな影響を与えます。次に、公表されているWERの値は、ベンチマークデータセットから得られたものであり、多くの場合、ノイズが少なく、単一の話し手による、ネイティブの発音の音声を使用しています。実際の数値は、ほぼ完全に録音環境に依存します。
最も大きな影響を与える要因です。交通騒音、カフェでの会話、空調、キーボードの打鍵音、風などが声と競合します。最新のモデルはノイズの多い音声でトレーニングされており、一定の背景雑音には比較的うまく対応できますが、大きな音や話し言葉のようなノイズ（テレビ、他の会話など）は、単語を直接的に歪めます。
ノイズと密接に関連しています。ラップトップのマイクから2メートル離れた場所で話すと、音声が反響し、小さく聞こえ、精度が大幅に低下します。スピーカーの近くにある携帯電話は、部屋の反対側にある高価なマイクよりも優れています。
Whisperのようなモデルは、数十万時間にも及ぶ多言語音声でトレーニングされているため、一般的なアクセントはうまく書き起こされます。しかし、非常に強い地域的なアクセント、方言、および明確に非ネイティブな発音は、依然としてエラー率を高めます。モデルは、「予想される」最も近い単語に置き換えます。
専門的な語彙（医学用語、製品名、人名、略語）は、モデルがその単語を一度も見たことがない可能性があるため、エラーが発生しやすい箇所です。それらしい代替表現を自信を持って書き出すため、校正が非常に重要になります。
会話形式で、交互に発言することは問題ありません。 しかし、お互いに遮りながらの発言は、 本来、音声が曖昧になり、あらゆる文字起こしシステムにとって困難な状況となります。特に、パネルディスカッションや白熱した会議などが該当します。
強く圧縮された音声（低ビットレートのボイスメモ、電話、古い録音）は、類似した子音を区別する周波数を正確に再現できません。また、クリッピング（録音が大きすぎて波形が歪むこと）はさらに深刻です。
| シナリオ | 典型的な結果 |
|---|---|
| ポッドキャスト／ナレーション、高品質のマイク、単一のスピーカー | 非常に良い：通常、単語の97～99％が正確に文字起こしされ、ほぼそのまま公開できるレベル。 |
| Zoom/Teams会議、全員ヘッドセットを使用 | かなり良い：ページごとに数か所の修正が必要ですが、主に名前などです。 |
| インタビュー、静かな部屋で電話をテーブルに置く | 良好：しっかりとした文字起こしができます。名前、数字、静かな部分を確認してください。 |
| 講義、スピーカーがレコーダーから離れている | 音質：主要な音声はクリアに、反響の強い部分は劣化します。 |
| 会議やカフェなど、複数の人が同時に話す環境での録音に適しています。 | 音質が悪い場合：ノイズや声の区別がつきにくいことがあります。内容をざっと把握する程度にとどめましょう。 |
1,500語のインタビューの97％正確な書き起こしでも、約45個の誤りがある可能性があり、その多くはあなたが重要視する名前、数値、専門用語です。自動書き起こしの目的は、完全にエラーがないことではなく、45個の誤りを修正するには5分しかかからないのに対し、1,500語をタイムスタンプ付きで入力するには1時間以上かかるということです。タイミング、構成、そして95％以上の単語はすでに処理済みです。
「このツールの精度はどのくらいですか？」という質問に正直に答えるには、 あなたの実際の録音を使ってテストするのが一番です。 ScribeGrab このツールは our speech model（最も精度の高いオープンソース音声認識モデルの一つ）を使用しており、無料で利用でき、1日の使用回数制限やアカウント登録も不要で、書き起こしに加えて SRT形式とVTT形式の字幕を 1回のアップロードで生成します。ファイルは処理後すぐに削除されます。 ファイルを無料で書き起こす →
音質が良く、クリアに録音された音声の場合、最新のモデルでは通常、単語の95～98％を正確に認識できます（WERは約2～5％）。ノイズ、強い訛り、複数の声が混ざった状態、専門用語、マイクの品質などが悪いと、精度は低下し、騒音のある複数話者の音声の場合、90％を下回ることもあります。
標準的な精度指標：置換＋挿入＋削除を、発話された単語数で割ったもの。5％のWERは、約20個の単語のうち1つが間違っていることを意味します。数値が低いほど良いです。
マイクを口元に近づけ、静かな部屋で、一度に一人の声で録音し、クリッピングしない適切なレベルで録音し、再圧縮されたファイルではなく元のファイルを使い、非常に短いクリップの場合は言語を手動で設定します。
はい、誤りは固有名詞、数字、専門用語に集中する傾向があり、まさに重要な単語です。しかし、数十個の単語を修正するだけで、すべてを書き直すよりも1時間以上も時間を節約できます。