AI Research / Speech Recognition
音声書き起こしAI
話したことが、そのままテキストに
日本語に特化してファインチューニングした音声認識AI。
話速・抑揚・専門用語にも強く、業務利用に耐える精度で文字に起こします。
音声書き起こしAIとは
本プロダクトは、人の発話音声を入力として、内容をテキストに変換する ASR（Automatic Speech Recognition）システムです。
OpenAI Whisper の large-v3 モデルをベースに、 日本語データセットで追加学習（ファインチューニング）したものを採用しています。
当社評価データセット（2026年5月、1018件）において、 本家 large-v3 比で 文字誤り率を 73% 削減（CER 14.58% → 3.96%）。 話し言葉・専門用語・日英混在（Code-switch）に強いことが特徴です。
3.96%
日本語 CER（文字誤り率）
27%
本家 large-v3 比の誤り率
1018件
評価サンプル数
| 音声タイプ | 本家 large-v3 | 本モデル | 誤り削減 |
|---|---|---|---|
| 総合（全1018件） | 14.58% | 3.96% | -73% |
| 日英混在（Code-switch） | 42.41% | 3.20% | -92% |
| 日本語会話（多人数読み上げ） | 14.21% | 1.92% | -86% |
| 感情・抑揚あり（叫び/泣き/笑い） | 11.82% | 4.09% | -65% |
| 朗読音声（JSUT BASIC5000） | 12.60% | 6.26% | -50% |
| 単一話者朗読（つくよみちゃん） | 12.83% | 0.59% | -95% |
※ CER（Character Error Rate, 文字誤り率）は低いほど高精度。2026年5月 1018件評価。
デモで試す
マイクで録音するか、音声ファイルをアップロードしてください（最大30秒・最大5MB）
データの取り扱いについて
・送信した音声・書き起こし結果は 処理後、最大1日以内に自動削除 されます
・外部の音声認識クラウド（Google STT / Azure STT / AWS Transcribe 等）は 一切使用していません
・本番導入時は、音声を社内から外に出さない 完全ローカル運用 が可能です
入力音声
タップして録音開始
クリックまたはドラッグ＆ドロップ
WAV / MP3 / M4A（最大 30秒・5MB）
書き起こし中です。しばらくお待ちください…（30秒音声で約1〜2分）
本環境は、音声認識AIを気軽にお試しいただくことを目的に、AWS Lambda 上にコスト重視で構築したデモ環境です。
Lambda では CPU による推論を行っているため、実行には時間がかかります。
特に初回実行時は、モデル読み込みのため 1〜2分程度かかります。
活用シーン
議事録・会議録
録音した会議音声を自動で文字化。要約や検索の前処理に。
動画字幕・テロップ
動画コンテンツの字幕を半自動で生成。時刻付きセグメント対応。
コールセンター・営業録音
顧客対応音声をテキスト化し、品質分析や応対履歴に活用。
技術構成
- OpenAI Whisper large-v3 をベースに、日本語データでファインチューニング
- 日英混在（Code-switch）にも対応（英単語をそのまま英字で出力）
- VAD（Voice Activity Detection、silero-vad v5）による発話区間検出に対応
- 本番導入時は完全ローカル運用が可能（音声データを社内から外に出さない構成）
- 本デモは AWS 上の試用環境です。送信音声・書き起こし結果は 処理後、最大1日以内に自動削除 されます
- 外部の音声認識クラウド（Google STT / Azure STT / AWS Transcribe 等）は 一切使用していません
動作要件（オンプレ提供時）
- Python 3.9 以上
- PyTorch（CUDA対応推奨）
- GPU 推奨（VRAM 8GB 以上）
- CPUでも動作可能（処理時間は音声長の2〜5倍程度）
- OS：Windows / Linux
料金
相談
オンライン 30 分
無料モデル納入
ソース・モデル・マニュアル提供
10万円導入サポート
環境構築・初期設定支援
10万円〜カスタマイズ / ファインチューニング
業界用語・話者特性に合わせた精度向上
30万円〜