自動文字起こし

自動文字起こしとは、AIと機械学習を使用して、オーディオまたはビデオファイルからの音声を書き起こされたテキストに変換するプロセスです。人間による手動の文字起こしとは異なり、自動文字起こしは高度な音声認識アルゴリズムを使用して、数時間ではなく数分でオーディオを処理し、低コストで正確なテキストを提供します。Sonixの自動文字起こしは、あらゆるオーディオまたはビデオ形式に対応し、54+言語をサポートしています。

Sonixは、クリアなオーディオ録音に対して最大99%の文字起こし精度を提供します。当社のAIは、さまざまなアクセント、業界、録音条件にわたる数百万時間のオーディオでトレーニングされています。精度は、オーディオの品質、バックグラウンドノイズ、話者の明瞭さに依存します。医学用語や法務用語などの専門用語については、Sonixのカスタム辞書機能を使用して業界固有の単語を追加し、精度をさらに向上させることができます。

Sonixは、1時間のコンテンツにつき約5分でオーディオおよびビデオファイルを文字起こしします。30分の会議録音は、通常3分以内で文字起こしされます。これは、通常1時間のオーディオにつき4〜6時間かかる手動の文字起こしよりも大幅に高速です。処理時間はファイルサイズやサーバーの負荷によって異なる場合がありますが、ほとんどの文字起こしは数分以内に完了します。

Sonixの従量課金プランでは、文字起こし1時間あたり10ドルです。月額料金やサブスクリプションの必要はありません。新規ユーザーは、サービスを試すために30分間の無料文字起こしを利用できます。これは、通常1オーディオ時間あたり100ドル以上かかるプロの人間による文字起こしサービスよりも大幅に手頃です。大量に利用するユーザー向けには、ボリュームディスカウントが適用されるエンタープライズプランも用意されています。

業界標準となっているのが単語誤り率（WER: Word Error Rate）です。機械が生成した文字起こしを、人間が丁寧に作成した基準テキストと照合し、置き換え・脱落・余分に挿入された単語をすべて誤りとしてカウントします。WERが5%であれば、およそ20単語に1つの誤り、つまり精度95%を意味します。ただしWERには知っておくべき盲点もあります。句読点や大文字・小文字の区別、話者の識別はスコアに反映されず、これらこそ文字起こしを実際に使えるものにする大きな要素なのです。

クリアな音声、つまりマイクが近く、静かな部屋で、一度に一人ずつ話す条件であれば最大99%に達します。背景ノイズ、距離、話者の重なり、強い訛りは、どのエンジンでも精度を下げます。音質が上限を決めるのです。最も確実な確認方法は、ご自身の典型的な録音を10分ほど文字起こしして修正箇所を数えてみることです。残った修正も、音声と同期したエディターならすばやく直せます。