日本語リアルタイム文字起こし：ElevenLabsとSonioxの性能比較

日本語のリアルタイム文字起こし技術は進化が著しい一方で、その性能を客観的に比較したベンチマークは不足しています。 先日行われたElevenLabs Scribe v2 RealtimeとSonioxの比較テストでは、Sonioxがコスト効率と特定の条件下での実用性で優位性を示しました。 リアルタイム1時間あたりの料金は、ElevenLabsの$0.39に対し、Sonioxは$0.12と3分の1以下です。

文字誤り率（CER）はElevenLabsが5.4%、Sonioxが4.6%でした。 ElevenLabsの漢数字表記癖（例:「十三位」）を修正すると4.2%となり、Sonioxの4.6%とほぼ同等です。 文切れは、Sonioxの既定値であるmax_endpoint_delay_ms 2000ms設定で40本中1本に改善され、CERも4.1%に低下しました。 ElevenLabsは4本で文切れが発生しました。 話し終わりから文確定までの時間（中央値）は、Soniox（2000ms設定）が0.82秒とElevenLabsの1.35秒より高速ですが、遅いケースでは3秒に達することもあります。 外部リンク：詳細データはZennの記事で確認できます。

これらの結果は、リアルタイム文字起こしがビジネスで役立つには、認識精度だけでなく、文の自然な区切りや確定速度が重要であることを示唆します。会議の議事録作成では、不自然な文切れや遅延は作業負担を増やしかねません。設定一つで体験が変わる点は、AIサービス導入において綿密な検証が不可欠であることを浮き彫りにしています。

リアルタイム文字起こし技術は革新的ですが、実用性には速度と正確性のトレードオフが伴います。会話の区切りを認識し文を確定させる「エンディングポイント検出」は高度なAI処理を要します。 Sonioxのmax_endpoint_delay_ms設定が文切れ解消と精度向上に貢献したことは、ユーザーシナリオに応じたチューニングの重要性を示します。 単に高精度モデルだけでなく、リアルタイム処理特有の遅延許容度や文脈の区切り方といった細部の最適化が、実際のビジネス価値を決定づけます。Microsoftのストリーミング文字起こしMAI-Transcribe-2-Streamingでも同様の課題が見られます。

もう一つの論点は、文字起こし技術の評価基準とAIボイスメモの活用ニーズの多様性です。今回の計測は小規模で、文字誤り率の差は傾向として読むべきとされています。 ElevenLabsの漢数字表記の癖が評価に影響するなど、純粋な認識精度以外の要因も考慮が必要です。 会議や商談で詳細な確認や要約が求められる場面では、リアルタイムでの完璧さより、最終的なテキストの網羅性と正確性が重要です。例えば、メモリス（AIボイスメモ）は録音終了後にAIが高度な文字起こしと要約処理を行うことで、リアルタイム処理の制約から解放され、質の高い議事録やメモを提供します。固有名詞や専門用語の認識も、録音後にじっくり処理することで精度を高められます。J-MeetEvalのような会議要約の評価基準も、最終成果物の網羅性と正確性を重視しています。