AIの文字起こしはどこまで正確？「誤り率2.6%」の読み方と、共有する前に自分の固有名詞リストを1枚つくる
会議の録音を渡せば、数分できれいな議事録が返ってくる。そこまでは、もう当たり前になりました。ではその文章、読み直さずに取引先へ送れるでしょうか。
この記事は、ChatGPTやGeminiを仕事で使い始めた非エンジニア（総務・営業・マーケ）向けに、AIの文字起こしの「精度◯%」が自分の会議で何を意味するのかを整理します。読み終わるころには、共有する前にどこだけ目で追えばいいかが決まります。
3行でいうと
よく見る「誤り率2.6%」は英語の数字。日本語を含む多言語のベンチマークでは5%台、つまりおおよそ2倍になる（2026年9月時点の公表値）
文字の間違いと、誰の発言かの取り違えは別々に起きる。議事録として困るのは、たいてい後者
精度を上げるために私たちの側でできる操作は、ほぼ1つ。「この言葉が出ます」と先に教えておくこと
今週、この話が旬になった理由
この2週間で、文字起こしの土台になるモデルが立て続けに出ました。
8月26日：Googleが Gemini 3.5 Transcribe を発表。85以上の言語を自動判別し、macOS版GeminiアプリやAndroidのGboard（Rambler）などから使えるとしています（Google公式ブログ）。※本件は8月26日の発表で、直近48時間のニュースではありません
9月1日：Metaが初のリアルタイム音声認識モデル Muse Voice Transcribe を公開。文字起こし・話者の切り分け・発話の切れ目判定を1つのモデルでこなすとしています（Meta AI Research／ITmedia）
9月3日：Googleが Gmail・ドキュメント・Keep に音声で操作する機能を追加。話しかけて仕事を進める入口が増えました（Google公式ブログ）
「録音してAIに渡す」は、一部の人の工夫ではなく標準の作業になりつつあります。だからこそ、返ってきた文章をどこまで信じていいのかを一度だけ整理しておく価値があります。
なお、この記事の数値はすべて各社の公表資料に基づくもので、私が同じ音源で日本語の比較検証をしたものではありません。その前提で読んでください。
そもそも「誤り率」とは何を数えているのか
音声認識の精度は WER（Word Error Rate＝単語誤り率） という物差しで表されます。話された言葉とAIが書き起こした文章を突き合わせて、間違えた単語・抜けた単語・余計に足された単語が全体の何%かを数えたものです。
「誤り率2.6%」と聞くと、ほぼ完璧に思えます。ここに落とし穴があります。
英語で1時間しゃべると、だいたい8,000〜9,000語。誤り率2.6%なら、200語以上がどこかで間違っている計算です。1時間の議事録に200カ所の誤りがあると考えると、印象がかなり変わるはずです。
しかも誤りは均等に散らばりません。AIが苦手なのは日常語ではない言葉です。取引先の社名、担当者の名前、自社の製品名、型番、金額、日付。議事録でいちばん間違ってほしくない場所こそ、いちばん間違えやすい。逆に「そうですね」「はい」は、まず外しません。
その「2.6%」は、あなたの日本語会議の数字ではない
ここが、日本語で仕事をする私たちにとって最も大事な一点です。
Googleが Gemini 3.5 Transcribe で示した WER 4.0%（リアルタイム）／2.6%（録音済み） は、英語での測定値です。同じ発表のなかで多言語ベンチマーク（FLEURS）の数字も別に示されていて、そちらは 5.50%（リアルタイム）／5.04%（録音済み）。
英語 2.6%、多言語 5.04%。同じモデルでも、言語が変われば誤りはおおよそ2倍になります。
Metaの Muse Voice Transcribe が公表している単語誤り率は 3.1%（発話終了から0.16秒という速さと両立させた値）。学習は70以上の言語で、うち25言語を「検証済み」として推奨しており、日本語もここに含まれます。ただし、日本語単体の誤り率が公表されているわけではありません。
言い換えると、こうです。カタログの数字は、たいてい英語の数字。日本語の会議で使うなら、その倍を見込んで読む。 精度が低いという話ではなく、期待値の置き場所を1段下げておく、という話です。
文字は合っているのに、議事録が壊れるとき
もう1つ、誤り率とはまったく別に起きる問題があります。話者の取り違えです。
誰がしゃべったかを切り分ける処理をダイアライゼーション（話者分離）と呼びます。そしてここには、単語の誤り率とは別に DER（Diarization Error Rate＝話者誤り率） という物差しがあります。
Metaが Muse Voice Transcribe で公表しているDERは 17.5%。ざっくり言えば、音声の1/6ほどが誰の発言か取り違えられている水準です。単語誤り率3.1%の精緻さと比べると、桁が違います。
Googleの Gemini 3.5 Transcribe も、話者の切り分けは録音済み音声で3人までを正確に区別するとしていて、4人以上は実験的な扱いです。
議事録で怖いのは、実はここです。文字が全部合っていても、「持ち帰って検討します」と言ったのがA社なのか自社なのかが入れ替われば、その議事録は意味が反転します。文字の誤りは読めば気づきますが、話者の取り違えは、読んでも自然な文章として通ってしまう。だから見逃されます。
参加者が4人を超える会議は、その時点で「AIが誰の発言かを正確に割り当てるのは難しい領域」に入っていると考えてください。
「えー」「あのー」が消えることの、地味な副作用
最近の文字起こしは、つなぎ言葉（フィラー）を自動で取り除き、言い直しも整えてくれます。Gemini 3.5 Transcribe も「ums」「ahs」の除去と自己修正の処理を売りにしています。
読みやすさは確かに上がります。ただし、消えるのはノイズだけではありません。「これは……いや、やっぱり来週にしましょう」のような発言で、言い直す前の部分が落ちることがあります。会議の記録として大事なのは、しばしば「一度そう言いかけた」という事実のほうです。
そして、整った文章になって戻ってくるほど、元の音声と突き合わせる気持ちは薄れます。きれいな議事録ほど疑われない。この逆転が、いちばん静かなリスクだと思います。
私たちの側にあるつまみは、ほぼ1つだけ
では精度を上げるために何ができるか。モデルは選べても中身はいじれません。実務でユーザー側に残されている操作は、ほぼ1つです。
先に言葉を教えておくこと。
Gemini 3.5 Transcribe は、カスタム語彙（専門用語や独自の表記）を渡すと、それに合わせて書き起こすとしています
Muse Voice Transcribe は、言語・キーワード・文脈のバイアス指定に対応しています
呼び方は違いますが、やることは同じです。「この会議では、この固有名詞が出ます」と事前に渡す。それだけで、いちばん間違えてほしくない場所の当たり方が変わります。高度な設定ではありません。単語を並べたテキストが1枚あればいい話です。
料金の目安も置いておくと、Muse Voice Transcribe は Meta Model API 経由で1時間あたり0.18ドルとされています（2026年9月時点。モデルの重みは公開されておらず、APIとMetaの自社アプリからの利用に限られます）。文字起こし自体のコストは、もう会議1回分のコーヒー代を下回ります。残っているコストは、AI代ではなく人が確認する時間のほうです。
よくある誤解・つまずき
「精度99%なら、ほぼ完璧では？」→ 場所による。 誤りは日常語ではなく固有名詞・数字・日付に集まります。全体の%より、間違った場所が業務にどう効くかで見てください
「話者名が付いているから、誰の発言かは正しい」→ 別の処理です。 文字の精度と話者の精度は別々に測られていて、後者のほうが数字は悪くなります（Metaの公表値でDER 17.5%）
「読みやすいから、よく書けている」→ 逆のこともある。 つなぎ言葉や言い直しを消した結果として読みやすくなっている場合、消えた部分に判断の経緯が含まれていることがあります
「一度設定すれば、あとは自動」→ 語彙は更新が要る。 新しい取引先や製品名は、その都度足さないと同じところで間違い続けます
今日の次の一歩
自分の「間違えてほしくない言葉」を、1枚のメモに書き出す。
中身はこれだけで十分です。
よく出る取引先・社名（略称も含めて）
自社の製品名・サービス名・型番
会議に出る人の名前（読み方が割れるもの優先）
業界用語と、社内でしか通じない略語
このメモは、カスタム語彙が使えるツールならそのまま登録できますし、使えないツールでも、書き起こしのあとに検索して確認するチェックリストとしてそのまま働きます。
そして共有前に見る場所は3つだけで足ります。固有名詞・数字・「誰が言ったか」。 全文を読み直す必要はありません。文字起こしの誤りが集まるのは、この3カ所です。
あわせて読む
文字起こしの誤りは「聞き間違い」ですが、要約させた瞬間に別種の間違い（言っていないことが混ざる）が加わります。議事録をAIにまとめさせる人はこちらもセットで。
同じ「仕組みを開けてみる」回です。出てきた答えの裏側を知ると、確認すべき場所が絞れます。
この記事に出てきた「1時間0.18ドル」のような従量課金の読み方は、こちらで整理しています。
長い記事を最後まで読んでいただいてありがとうございます。役に立った部分があればスキで教えてください。次にどの言葉を解説するかの参考にしています。
「この用語も分からない」というものがあれば、コメントで教えてください。日曜の解説回で扱います。
