AI文字起こしの精度は言語別にどれくらい？言語別WERベンチマーク（2026）
AI文字起こしの精度は言語によって大きく変わります。Whisper論文のFLEURSベンチマークから言語別の単語誤り率を整理し、どの言語が人間に近い精度なのか、どの言語で編集が必要なのか、一般モデルでは実質的に文字起こしできない言語はどれかを解説します。
文字起こし精度は言語によって大きく変わります。FLEURSベンチマークでは、OpenAIのWhisperは英語、スペイン語、イタリア語、ドイツ語で約3-5%の単語誤り率（WER）を示します。オランダ語、トルコ語、ベトナム語のような中程度のリソースを持つ言語では1桁台後半、一方でアムハラ語、ヨルバ語、ビルマ語のような低リソース言語では75%超になり、一般モデルでは実用的なテキストをほぼ生成できません。この差は、学習データの量、音声的な複雑さ、文字体系によって生まれます。
このガイドでは、OpenAI（2022）のWhisper論文で公開されたFLEURS結果から集計した言語別WERを、精度ティア別に整理します。特定の言語で文字起こしを評価している場合や、ドイツ語の音声はほぼ完璧に起こせるのにタイ語ではうまくいかない理由を知りたい場合、下のデータがその差を説明します。
この数値が示すもの、示さないもの。 以下の値はすべて、Whisper論文の付録D.2.4に掲載された、FLEURSベンチマーク上のWhisper large-v2 WERです。大手研究機関が公開している言語別WER表としては最も網羅的なものです。ただし、これは1つのモデルを朗読音声ベンチマークで評価した結果であり、私たちが実施した実運用テストではありません。** 現在の最良ケースではなく、比較可能な基準値として見てください。Whisper large-v3、NVIDIA Canary、言語特化型プロバイダーなどの新しいシステムは、難しい言語の多くで大きく改善しています。たとえばマルタ語では、large-v3が約77% WERをおよそ26%の文字誤り率まで下げています。中国語、日本語、タイ語、ラオ語、ビルマ語については、Whisper論文が文字間にスペースを入れて文字誤り率（CER）**を報告しているため、これらの値は単語レベルWERではなく文字レベルの値です。韓国語は通常の単語分かち書きを使うため、値は真のWERですが、韓国語の分かち書き慣習により高めに出やすくなります。
要約：精度ティア一覧
| ティア | WER範囲 | 代表的な言語 | 期待できる品質 |
|---|---|---|---|
| ティア1 | 約6%未満のWER | 英語、スペイン語、イタリア語、ドイツ語、日本語（CER）、ポーランド語、ロシア語 | クリーンな音声では人間に近い精度 |
| ティア2 | 約6-11% WER | オランダ語、インドネシア語、カタルーニャ語、フランス語、トルコ語、スウェーデン語、マレー語、ベトナム語 | 本番利用向け。軽い修正が必要 |
| ティア3 | 約11-16% WER | タイ語、ギリシャ語、チェコ語、クロアチア語、デンマーク語、韓国語、ルーマニア語、標準中国語（CER）、アラビア語 | 利用可能だが、かなりの手動修正を想定 |
| ティア4 | 約16-40% WER | タミル語、ヒンディー語、ウルドゥー語、ヘブライ語、セルビア語、カンナダ語、マラーティー語、スワヒリ語 | 下書き品質。人によるレビューが必須 |
| ティア5 | 約45%から100%超のWER | ネパール語、マルタ語、ヨルバ語、クメール語、ラオ語、ベンガル語、ビルマ語、アムハラ語 | Whisperのような一般モデルは実質的に失敗。専門モデルが必要 |
数値はWhisper large-v2のFLEURS WER（OpenAI, 2022）です。正確な値と上記の注意点は、各ティアの表で確認してください。
WERベンチマークはどう測られるか
各ベンチマークが何を測っているかを理解しておくと、研究室のスコアを現実の音声性能と直接比べる誤りを避けられます。
LibriSpeech（英語のみ）は、クリーンなオーディオブック録音を使います。一般的なベンチマークの中では最も簡単なので、理想条件でモデルが出せる下限値に近い数字です。LibriSpeech test-cleanにおける英語の最先端WERは、およそ1.4-2.7%です。
FLEURS（Few-shot Learning Evaluation of Universal Representations of Speech）は102言語を対象とし、各言語におよそ12時間の音声があります。全言語で同じ文（Wikipedia/FLoResコンテンツの翻訳）を使うため、言語間比較が意味を持ちます。本ガイドの言語別数値は、この最もよく引用される多言語ベンチマークに基づいています。
Common Voice（Mozilla）は、100以上の言語にわたるクラウドソース録音を含みます。話者はプロではなく録音環境もさまざまなので、同じ言語・同じモデルでも、Common VoiceのWERは通常FLEURSより高くなります。
現実の音声では、アクセント、話者の重なり、背景ノイズ、不完全な機材が加わり、これらのベンチマーク値におよそ5-15 WERポイントが上乗せされます。FLEURSで5%のモデルでも、典型的なZoom録音では10-15%になることがあります。
ティア1：非常に高い精度（約6%未満のWER）
これらの言語は学習コーパスが最も大きく、モデル開発者の注目も最も集まっています。クリーンな音声であれば、最小限の編集で本番利用できる文字起こしが期待できます。
| 言語 | Whisper large-v2 FLEURS WER | メモ |
|---|---|---|
| スペイン語 | 3.0% | あらゆるベンチマークで特に強い言語の1つ |
| イタリア語 | 4.0% | 最もよくカバーされている欧州言語の1つ |
| 英語 | 4.2% | 参照言語。多くのベンチマークが英語を中心にしている |
| ドイツ語 | 4.5% | 標準ドイツ語に強い。スイス・オーストリア方言では低下しやすい |
| 日本語 | 5.3% (CER) | Whisperは日本語を文字レベルで測定。文としての品質は非常に高い |
| ポーランド語 | 5.4% | スラブ語としては例外的に強い |
| ロシア語 | 5.6% | 標準ロシア語に強い。地域アクセントでは低下する |
これらの言語でクリーンな音声を扱う場合、モデルの違いよりも、入力する音声品質のほうが重要になることが多いです。
ティア2：高精度（約6-11% WER）
十分な学習データはあるものの、ティア1ほど量が多くない、または音声的な複雑さが高い言語です。多くの本番用途では十分機能しますが、固有名詞や専門用語の修正はときどき必要になります。
| 言語 | Whisper large-v2 FLEURS WER | メモ |
|---|---|---|
| オランダ語 | 6.7% | ドイツ語・英語データとの近さが有利に働く |
| インドネシア語 | 7.1% | リソース量に対して強い |
| カタルーニャ語 | 7.3% | 専用データセットのおかげで話者数以上の性能を出している |
| フランス語 | 8.3% | 学習データは欧州フランス語が中心 |
| トルコ語 | 8.4% | 膠着語的な形態論が複雑さを増す |
| スウェーデン語 | 8.5% | 北欧系コーパスはよく整備されている |
| ウクライナ語 | 8.6% | 2022年以降、データセット拡大により大きく改善 |
| マレー語 | 8.7% | インドネシア語と特徴を共有する |
| ベトナム語 | 10.3% | 声調言語。声調ミスが主な失敗パターン |
ティア3：中程度の精度（約11-16% WER）
ここからAI文字起こしの不完全さがはっきり見えてきます。初稿としては使えますが、特に固有名詞や数字では、1分あたり複数の修正を想定してください。
| 言語 | Whisper large-v2 FLEURS WER | メモ |
|---|---|---|
| タイ語 | 11.5% (CER) | Whisper論文では文字レベル測定。単語間にスペースがないため |
| ギリシャ語 | 12.5% | 他の欧州言語より学習コーパスが小さい |
| チェコ語 | 13.3% | 重い形態論にもかかわらず堅調 |
| クロアチア語 | 13.4% | 南スラブ諸語との共通特徴が役立つ |
| デンマーク語 | 13.8% | 音声的には難しいが、データにはよく含まれている |
| ルーマニア語 | 14.4% | データセットの成長に伴って改善中 |
| ブルガリア語 | 14.6% | 中程度のリソースを持つスラブ語 |
| 韓国語 | 14.3% | 単語分かち書きが韓国語WERを押し上げる。文字レベル精度はかなり良いが、論文は韓国語CERを公開していない |
| 標準中国語 | 14.7% (CER) | 文字レベル。FLEURSの朗読音声では評判より高めの数値 |
| アラビア語 | 16.0% | 現代標準アラビア語。エジプト方言、レバント方言、湾岸方言はずっと難しい |
標準中国語の値は意外に見えるかもしれません。クリーンでドメインが合った音声では多くのツールがもっと良い結果を出しますが、FLEURSの標準化された文字レベル評価では、Whisper large-v2は10%台半ばに位置します。新しいモデルはこの差を縮めています。
ティア4：低精度（約16-40% WER）
これらの言語には何億人もの話者がいる場合がありますが、ラベル付き学習データは限られています。出力は大幅な人手レビューを必要とする粗い下書きです。
| 言語 | Whisper large-v2 FLEURS WER | メモ |
|---|---|---|
| タミル語 | 17.5% | 複雑な形態論を持つドラヴィダ語 |
| ヒンディー語 | 21.5% | アクセント差と英語コードスイッチングでばらつきが大きい |
| ウルドゥー語 | 22.6% | ヒンディー語に近いが、ペルソ・アラビア文字で書かれる |
| ヘブライ語 | 27.1% | 右から左への文字体系、豊かな形態論 |
| セルビア語 | 33.9% | FLEURSでは近隣のスラブ語より明らかに難しい |
| カンナダ語 | 37.0% | ドラヴィダ語族。学習データで過小代表 |
| マラーティー語 | 38.3% | インド・アーリア語。リソースは中程度 |
| スワヒリ語 | 39.3% | 東アフリカのリンガフランカ。データセットは拡大中 |
ティア4では、AIが初稿を作り、母語話者の編集者が仕上げるハイブリッドワークフローが、通常最もスループットの高い選択肢です。
ティア5：一般モデルが実質的に失敗する言語（約45%から100%超のWER）
これは、他で見かける「約40-50%」という見た目のよい数字が大きく外れる領域です。FLEURS上でWhisper large-v2は、これらの言語に対して粗くても使える下書きを出すのではなく、75%以上、ときには100%超のWERを出します。つまり単語数より誤り数が多いということです。専門化なしでは、一般モデルで実質的に文字起こしできません。
| 言語 | Whisper large-v2 FLEURS WER | メモ |
|---|---|---|
| ネパール語 | 47.1% | 境界線上。重いレビューが必要 |
| マルタ語 | 76.6% | large-v3で大幅に改善（約26% CER） |
| ヨルバ語 | 94.8% | 声調言語。large-v3でも約49% CERで、なお難しい |
| クメール語 | 99.7% | Whisper large-v2は実用的な出力をほとんど生成できない |
| ラオ語 | 101.5% | large-v2では実質的に文字起こし不能 |
| ベンガル語 | 104.1% | 話者は非常に多いがWhisper large-v2は失敗。large-v3 CERは約34% |
| ビルマ語 | 115.7% | large-v2では実質的に文字起こし不能 |
| アムハラ語 | 140.3% | 単語数より誤りが多い。専門モデルが必要 |
ここでは2つの点が重要です。第一に、新しいモデルや専門モデルはこの差を大きく縮めます。Whisper large-v3や、言語固有データでファインチューニングするプロバイダーは、使えないlarge-v2結果を編集可能な下書きに変えられます（マルタ語とベンガル語が良い例です）。第二に、シンハラ語はWhisperのFLEURS評価に含まれていません。したがって、Whisperの具体的な「シンハラ語WER」値を見かけても、このベンチマークでは裏付けられません。この言語は本ベンチマークでは未評価として扱うべきです。
精度差を生む要因
学習データ量は最も強い予測因子です。Whisperは680,000時間の音声で学習され、その大半は英語です。高リソース言語には数万時間、低リソース言語には数百時間しかない場合があります。データが増えるほどWERは大きく下がりますが、十分にカバーされた言語では改善幅は次第に小さくなります。
音声と文字体系の複雑さは、データがあっても上限を作ります。声調言語（標準中国語、ベトナム語、タイ語、ヨルバ語）は、似た単語をピッチで区別する必要があります。膠着語（トルコ語、フィンランド語、スワヒリ語）は多くの形態素から長い単語を作り、トークナイゼーションと相性が悪くなりがちです。表語文字やスペースを使わない文字体系（中国語、日本語、タイ語）では、公平な指標がWERから文字誤り率に移ります。
音声ドメインの一致も言語と同じくらい重要です。主に朗読音声で学習したモデルは、同じ言語でも自発的な会話では性能が落ちます。だからFLEURSの朗読音声の数値は下限であり、会議録音に対する約束ではありません。
難しい言語の精度を上げる方法
まず音声を改善する。 ノイズ低減、話者分離、安定した音量は、現実の音声で数ポイントのWERを削れます。最短で効く改善策は、ノイズの多い音声の文字起こしガイドで解説しています。
ドメイン文脈を渡す。 多くの文字起こしAPIは、固有名詞、専門用語、出現しそうなフレーズのリストを受け取れます。語彙バイアスは、専門用語や名前の置換エラーを減らします。
言語ごとに適切なモデルを選ぶ。 Whisperが強い言語もあれば、NVIDIA Canaryや言語特化型プロバイダーが強い言語もあります（特に日本語、韓国語、アラビア語）。その言語が業務上重要なら、代表的なサンプルで2-3社をテストする価値があります。
最後は人間の編集者を使う。 ティア3以下では、母語話者の編集者がAI下書きをレビューするほうが、一から文字起こしするより何倍も速く、最終精度も98%を大きく超えやすくなります。
Vocovaのようなツールは、自動言語検出で100以上の言語を文字起こしします。そのため、事前にファイルへ言語タグを付ける必要はありません。ただし上のデータが示す通り、実際に期待できる精度は、扱う言語に大きく左右されます。
よくある質問
AI文字起こしの精度が最も高い言語は？
FLEURSベンチマークでは、英語、スペイン語、イタリア語、ドイツ語がリードしており、クリーンな朗読音声でWhisper WERはおよそ3-5%です。日本語も文字誤り率ではそれに近い位置にあります。実世界の自発音声では、これらの値に5-15ポイントを足して考えてください。
Whisperは言語によってどれくらい精度が違う？
FLEURSでは、Whisper large-v2は本ガイドのティア1-2言語でおおむね10%未満のWER、ティア3-4では10%台から30%台、低リソース言語の一群（アムハラ語、ヨルバ語、クメール語、ラオ語、ビルマ語、ベンガル語）では75%超となり、実質的に文字起こしできません。新しいlarge-v3は最も難しいケースを大きく改善しますが、large-v3の正確な言語別WER表は公開されていません。
「良い」WERとはどれくらい？
多くのビジネス用途では、WERが10%未満なら、音声を聞き直すより速く読んで編集できる文字起こしになります。5%未満なら人間に近い水準です。20%を超えると、公開テキストとして使う前にかなりの手動修正が必要です。計算方法は単語エラー率を参照してください。
ドイツ語の文字起こしがタイ語より正確なのはなぜ？
ドイツ語は高リソース言語（FLEURS WER約4.5%）で、豊富なデータがあり、英語と共有する特徴もあります。タイ語は声調言語で、単語間にスペースを入れず、ラベル付きデータも少なめです。そのWERは約11-12%で、公平な指標は文字誤り率です。最良のモデルでも、両者の間には意味のある差が残ります。
FLEURSベンチマークは実世界の音声と比較できる？
直接は比較できません。FLEURSはクリーンで、自発会話ではなく朗読音声で、プロ品質で録音されています。会議、電話、インタビューのような実世界の音声では、同じ言語・同じモデルでもFLEURSより通常5-15ポイント高いWERになります。この数値は言語間の比較に使い、あなたの正確な結果予測には使わないでください。
まとめ
2026年のAI文字起こし精度は、言語、音声品質、モデルとタスクの相性によって決まります。Whisper FLEURSの基準では、ティア1言語はクリーンな音声で人間に近い精度に達します。ティア3は編集が必要です。そして一部の低リソース言語は、専門化なしの一般モデルでは実質的に文字起こしできず、よく引用される控えめな2桁台の数字よりはるかに難しい領域です。新しいモデルや言語特化モデルは、とくに難しい側でこの差を縮めています。
文字起こしパイプラインを選ぶなら、最も有効なのは、自分の言語と音声ドメインに近い2-3個の代表サンプルでテストすることです。ベンチマークは言語を順位づけますが、あなたの正確な結果を予測するものではありません。
出典と参考資料
- OpenAI, "Robust Speech Recognition via Large-Scale Weak Supervision"（Whisper論文, 2022） - 言語別FLEURS WER、付録D.2.4 / 表13
- Conneau et al., "FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech" (2022)
- FLEURS-SLU (2025) - Whisper large-v3の言語別CER。本記事では低リソース言語に関する注意点に使用
- Mozilla Common Voice datasets
- 単語エラー率
- 複数言語の音声を文字起こしする方法
