WER（単語誤り率）とは？「精度99%」の主張をどう読むか

WER（単語誤り率、Word Error Rate）とは、音声認識の精度を測る標準的なものさしです。人が確認した完璧な正解の文字起こしと機械の出力を単語ごとに突き合わせ、誤りの数を数えます。WERが5%なら、おおよそ「精度95%」という意味になります。そして、この指標を宣伝文句に言い換えるところから問題が始まります。WERそのものは実在する有用な指標ですが、広告での使われ方はほとんど意味をなしていません。ここでは、この指標の仕組み、それが隠しているもの、そして精度の主張を専門家のように見極める方法を紹介します。

WERの計算方法

機械の文字起こしを、人が確認した正解データと並べ、3種類の誤りを数えます。

• 置換：別の単語になっているもの。「以上」が「異常」に、「BlaBlaScribe」が「ぶらぶらスクライブ」になる、など。

• 脱落：機械が落とした単語。

• 挿入：機械がでっち上げた単語。背景の雑音から生まれることがよくあります。

そしてWER = (S + D + I) ÷ Nで計算します。Nは正解データの単語数です。200語の正解データに対して誤りが10個なら、WERは5%です。挿入も数えるため、ひどい音声ではWERが100%を超えることもあります。この奇妙な性質は、この指標がいかに字面どおりにしか数えないかを物語っています。（指標の起源は編集距離にあり、正式な定義はWikipediaの項目で確認できます。）

WERが隠しているもの

すべての誤りは同じ重さで数えられる。実際は違うのに

「えーと」が抜けるのも、CEOの名前がめちゃくちゃになるのも、WERではどちらも誤り1個です。読み手にとって、前者は気づきもしない違い、後者はスクリーンショットで拡散されかねない失態です。実際の文字起こしの良し悪しは、どの単語を間違えたか、つまり名前、数字、否定表現で決まりますが、WERにはその違いが見えません。（「できます」と「できません」の違いも、置換1個にすぎません。）

テスト音声がわからなければ数字に意味はない

同じシステムでも、スタジオで収録したポッドキャストならWER 4%、風の強い屋外での囲み取材をスマートフォンで録音したものなら30%、ということがありえます。ベンダーの「精度99%」は何かで測った結果です。ほぼ間違いなく、雑音がなく、ネイティブの発音で、話者が1人の音声でしょう。自分の結果を予測できる唯一のベンチマークは自分の音声です。これが文字起こしの精度にばらつきが出る理由を解説したガイドの、偽りのない核心です。

正規化のさじ加減

比較の前に、テキストは正規化されます。大文字と小文字、句読点、「20」と「二十」の扱い、つなぎ言葉などです。正規化のやり方次第でWERは数ポイント動きます。公表される数字がそのやり方を明かすことはまれで、ベンダー間で見出しの数字を比べても、ほとんど茶番にしかなりません。

WERは製品のほかの部分について何も語らない

話者の割り当ての誤り、崩れた句読点、ずれていくタイムスタンプ。どれもWERには含まれません。WERが3%でも話者ラベルがめちゃくちゃな文字起こしは、WERが5%で話者の割り当てが正確なものより、成果物として劣ります。（話者分離にはDERという専用の指標がありますが、ベンダーが挙げることはさらにまれです。）

精度の主張の読み方

宣伝文句をすばやく読み解くための対応表です。

どれも厳密には嘘ではありません。最良のケースの数字を、典型的な数字として見せているのです。精度について誠実に語っているかどうかは、条件が示されているかでわかります。どんな音声か、どんな訛りか、どんな正規化か。

意味のあるベンチマークは1つだけ：自分の音声

読むより試すほうが確実です。手順は20分で終わります。

1. 実際の録音を1つ選びます。いつものマイク、いつもの訛り、話し声の重なりもそのままで。一番きれいなファイルではなく、典型的なものを選びましょう。

2. 比較したいツールで処理します（そのための無料プランがあります。無料ツールのガイドで一覧にしています）。

3. 正式なWERは計算せず、読みます。困る単語、つまり名前、数字、専門用語、否定表現を確認し、その誤りを数えましょう。

4. 周辺も確認します。話者ラベルは正しいか。句読点は読みやすいか。確認のためにタイムスタンプをクリックできるか。

5. 修正にかかる時間を測ります。各ツールのエディターで公開できる状態になるまでの分数こそ、毎週の仕事で実感する指標です。

よくある質問

2026年のAI文字起こしで、よいWERとはどれくらい？

雑音がなくマイクもしっかりした音声なら、主要なシステムは1桁台前半に収まります。これは本当に優秀な数字です。一方、難しい音声（雑音、強い訛り、発話の重なり）では、どのシステムでもWERが急激に上がります。誠実な数字は1つには決まりません。

精度95%はよい数字？

20語に1つの誤りということで、情報量の多い文字起こしならどの行でも目につくレベルです。「よい」かどうかは、どの単語を間違えたか、そしてエディターでどれだけ速く直せるかで完全に決まります。

なぜどのベンダーも約99%をうたうの？

きれいなベンチマークでの最良の数字がそのあたりに落ち着くからで、風の強い駐車場での数字を宣伝する人はいません。主張が似通ってきたのは、すべてのツールが同等だからではなく、この指標で差がつかなくなった証拠だと考えましょう。

WERが低ければ、必ずよい文字起こしになる？

同じ音声でなら、たいていはそうです。ただ、実務での価値を決めるのは話者の割り当て、句読点、編集のしやすさです。小数点以下の数字ではなく、仕上がった文字起こしを比べましょう。

まとめ

WERはエンジニアリングの指標としては優秀ですが、購入の判断材料としては頼りになりません。何を数えているかを知り、何を無視しているかに気づき、自分の目で読んだ雑然とした実際の録音1本に、あらゆる広告のあらゆるパーセンテージより大きな発言権を与えましょう。