音声は明瞭なのに、AIの文字起こしが名前を間違えるのはなぜ？

音がはっきり聞こえても、正しい表記まで決まるとは限りません。音声認識は、学習した音声と文章の関係を使って文字を選びますが、名前や同音の言葉には、録音に含まれない情報が必要なことがあります。 まず原音を確かめ、表記の根拠を確認してから、要約や議事録へ進みます。 大事な箇所が不明なら、読みやすさのために断定せず、不明のまま残します。

「サイトウ」と聞こえても、漢字は一つではない

地域の読書会の打ち合わせを、文字に起こしているとします。音声では「サイトウさん」と明瞭に聞こえ、下書きには「斉藤さん」と出ました。ところが、確認済みの参加者名簿では「齋藤さん」です。音だけを何度聞き直しても、漢字の違いが分かるとは限りません。

これは説明用の架空例です。録音や実在の参加者情報は使っておらず、文字起こしの候補も作例です。実際のモデルで測った認識結果ではありません。

この場合、次に役立つのは、該当する人の確認済みの表記です。すぐにマイクを買い替える問題とは限りません。ただし、名簿に同じ読みの人が二人いれば、名簿だけでは誰を指すかは決まりません。前後の話か、発言者への確認も必要です。

修正前に、困っている場所を分けます。

• 音自体を聞き取りにくい：原音へ戻り、不明な箇所を残す
• 音は明瞭だが表記が決まらない：使ってよい名簿や用語資料で確かめる
• 文字起こしは合っているが要約が違う：要約の段階を直し、原文と照合する

音をそのまま文字へ置き換えているわけではない

自動音声認識、ASRは、録音と書き起こされた文章の関係を学びます。Whisperの原論文も、音声から対応する文章を予測するシステムを訓練した研究です。2022年の結果であり、現在の文字起こし製品の順位を示すものではありません。

OpenAIの2022年の仕組みの解説では、音声を処理用の表現へ変え、エンコーダーで扱い、デコーダーが文章を予測すると説明しています。確認作業で部品名を覚える必要はありません。録音の中に最初から文字が入っているのではなく、音から文章としての解釈を作っている、という点が重要です。

言葉のつながりや、与えられた文脈は、候補を選ぶ手がかりになります。文中に十分なヒントがあれば助けになりますが、初めて出てくる人名、組織内だけの略語、短くて前後関係の乏しい発言では、判断材料が足りないことがあります。自然な文でも、名前だけが違うことはあり得ます。

図を拡大して読む

図の中を横にスクロールできます（キーボードの左右キーにも対応）

図を原寸で開く

図：表記が一つに決まらない例の独自図。音の波形、確率、実測した認識結果ではありません。

用語の手がかりは、正解の押し付けにしない

認識を始める前に、用語や名前の候補を渡せるサービスもあります。Microsoftのフレーズリストの説明は、人名や専門用語などの候補を認識されやすくする仕組みを紹介しています。利用できるかはサービスや処理方式によるため、普通のチャット欄へ書けば同じ機能になるとは限りません。

許可を得て使う打ち合わせなら、予定される企画名などを短く用意する方法があります。ただし、その一覧は候補を選ぶ手がかりで、載せた言葉が実際に発音された証拠ではありません。Google Cloudの認識の調整に関する資料も、特定の語を強く優先すると、音声になかった語が出る可能性が高まると注意しています。

認識後の修正も同じです。「似た名前は全部、齋藤に直して」では、一箇所が直っても別人の表記を壊すかもしれません。該当する箇所で人物を確かめ、根拠を残しながら直す方が点検できます。

文章を整える前に、原音へ戻る

気になる箇所を、その前後と一緒に聞き直します。録音は明瞭か、選べる場合は認識言語が合っているかも確認します。Google Cloudの音声入力の案内は、大きな雑音、反響、同時に話す声などが認識に影響すると説明しています。こうした条件では、モデルに届く音の手がかり自体が分かりにくくなります。

次の録音では、静かな環境や話す人に合ったマイク位置が役立つ場合があります。しかし、名乗るときに漢字の説明がなければ、音質を良くするだけではその情報は増えません。再生音量を上げても、明瞭に記録されなかった語が復元できるとは限りません。重要な内容が確かめられないときは、確認待ちとして残します。

自分で試す場合は、録音と共有の許可があり、秘密や個人情報を含まない短い音声を使います。議事録を作る前に、文字起こしを原音と比べてください。他人の会話をサービスへ渡すかどうかは、文字起こしが便利かどうかとは別に判断が必要です。

ほぼ合っていても、大事な意味は変わり得る

言いよどみを消す前に、人名、日付、数量、否定の言葉を優先して見ます。「15個」が「50個」になったり、「しない」の否定が落ちたりすれば、句読点の違いより大きく判断が変わる場合があります。これも誤りの種類を考える作例で、特定製品で測った結果ではありません。

Microsoftの評価方法の説明では、正解の書き起こしと比べ、語の追加、欠落、置き換えを数える単語誤り率、WERを扱っています。決められた条件で比較する指標ですが、誤りの数だけでは、その会議で何が困るかまでは表せません。日本語の文字起こしを見て、英語の単語区切りをそのまま当てはめる必要もありません。

数字や句読点、漢字を整える表示にも目を向けます。きれいな表記になると、未確定の内容まで確定したように見えることがあります。さらに要約で「15個注文するか検討」が「15個注文すると決定」へ変われば、問題は要約で新しい決定が加わったことです。音の認識とは別に直します。

最後に残したい、短い確認

保管してよい範囲で原音を残し、修正した箇所へ戻れるようにします。共有前には、人物は合っているか、重要な数字と否定は正しいか、可能性が決定に変わっていないかを確認します。

分からなければ、その旨を書いて関係する人に確かめます。目指すのは、滑らかな文章だけではなく、確かめ直せる記録です。文字起こしは便利な出発点ですが、音以外の情報で意味が決まる細部には、別の確認が役立ちます。

出典と確認範囲

「AIの答えができるまで」の一編で、単独でも読めます。一次資料は2026年10月11日に確認しました。録音・認識試験、マイク比較、翻訳機能の検証は未実施です。音声や個人情報のアップロードも行っていません。現在の製品の精度や、必ず直る方法は保証していません。