録音のビットレートを下げるとAI文字起こしはどこから崩れるか実測

「スマホの録音品質が悪いと文字起こしの精度が落ちる」——これは直感的には正しそうですが、具体的にどこから崩れ始めるのかは、実際に試してみないとわかりません。しかもOpenAIの公式ドキュメントには、ファイルサイズの上限（25MB）と対応フォーマットの記載こそあれ、「これくらいのビットレート・サンプルレートを推奨する」という具体的な数値は公開されていません。だからこそ、自分で試して確かめる価値があります。今回は同じ音声を意図的に劣化させ、前回の検証で使ったクリーンな音声を素材に、GPT-4o Transcribeでの文字起こし精度がどう変化するかを実測しました。

検証方法

ベースとなる音声は、前回の検証で使用したSpoken Wikinews日本語版（CC BY 4.0）です。同じ音声をffmpegで以下の4段階に加工し、それぞれをGPT-4o Transcribeで文字起こししました。

段階	設定	イメージ
①元音声	高音質	良好な録音環境
②64kbps・16kHzモノラル	一般的なボイスメモ相当	スマホの標準的な録音
③24kbps・8kHzモノラル	古い電話品質相当	遠い・小さい声での録音
④12kbps・8kHzモノラル＋帯域制限(300〜3400Hz)	電話回線帯域相当	スピーカー越し・悪条件のBluetoothマイク等

結果：64kbpsまではほぼ無傷、24kbps以下から意味が変わる誤りが出る

4段階での誤り数（固有名詞・数字・意味を変える誤りの合計）をグラフにすると、劣化の様子がはっきり見えます。

①・②：ほぼ差がない

元音声と②（64kbps・16kHz）を比べると、誤りは固有名詞1箇所（「デイリースポーツ」→「レイリースポーツ」）だけでした。内容を左右する誤りはありません。一般的なスマホのボイスメモ相当の品質であれば、文字起こし精度への影響はほぼ無視できるということです。

③：24kbpsから意味を変える誤りが複数出現

③（24kbps・8kHz）になると、明らかに性質の異なる誤りが増えます。

正しい内容	③での誤り
予選で落選した大学	予選で学生した大学
同大学は10月の	東大学は10月の
全日本大学駅伝	県日本大学駅伝
我が国の大学駅伝	まだ国の大学駅伝

「落選した」が「学生した」になるなど、文の意味そのものが変わってしまう誤りが出始めます。単なる誤字ではなく、後から読んだ人が誤解しかねないレベルの変化です。

④：電話帯域相当では、年号の誤りまで発生

④（電話帯域相当）ではさらに誤りが増え、なかには実務上見過ごせないものもありました。

• 平成29年 → 平成24年（年号を5年も取り違え）
• 史上 6校目 → 出場 6校目
• 大学駅伝主要 3大会 → 大学駅伝諮問 3大会
• いわゆる3冠を決めた → 今見る3回を決めた（「3冠」という重要な結論部分が完全に崩壊）

年号のような数字の誤りは、議事録としては致命的です。日付や金額を含む発言がこの品質で録音されていた場合、AIの下書きをそのまま信じるのは危険だとわかります。

まとめ：スマホの標準録音で十分、ただし「電話越し」は要注意

今回の実測から言えるのは、次の2点です。

1. 一般的なスマホのボイスメモ相当（64kbps程度）であれば、文字起こし精度への影響はほぼない。 録音アプリの設定を過剰に気にする必要はありません
2. 電話のスピーカー越しに録音する、遠くの声を無理に拾う、といった条件（8kHz前後まで劣化する状況）では、数字や固有名詞を中心に意味を変える誤りが増える。 こうした状況で録音した場合は、AIの下書きの数字・日付・固有名詞だけでも人が見直す方が安全です

議事録アプリを使う上で一番確実な対策はシンプルです。マイクから離れすぎない、スピーカー越しではなく直接録音する——この基本を守るだけで、今回確認したような劣化はほぼ避けられます。

あわせて読みたい：

• Whisper・GPT-4o Transcribe・Geminiを実測比較｜精度は条件で逆転する
• 決定事項の抽出精度をGPT-4oとGeminiで実測比較
• 録音の文字起こしを最速に｜ボイスメモ・ICレコーダーをAIでテキスト化