文字起こしの精度を上げる3段階｜録音の前・会議ツールの設定・あとの直し方まで解説

会議を録音して文字起こしにかけるのは、もう特別なことではなくなりました。ところが、出てきたテキストを直す時間は思ったほど減りません。

ただ、改善しようとすると、

• 静かな部屋で録るといった対策は試したが、次の一手が思いつかない
• 会議ツールの文字起こしが悪いのか、自分の録り方が悪いのか切り分けられない
• 型番や社内の部署名だけが化けて、結局あとから直すことになる

といった壁に突き当たる方も少なくないでしょう。

そのためこの記事では、文字起こしの精度を左右する音声の品質と道具の品質について整理したうえで、録音前の準備、会議ツールの設定、文字起こし後の修正という3段階で改善方法を解説します。あわせて、精度の測り方とツールを乗り換える際の判断基準も紹介します。

Otolioがわかる人気3点セット資料（サービス概要・導入事例・機能詳細）をみる

文字起こしの精度はなぜ上がらない？

文字起こしの精度は、音声の品質と道具の品質の両方に左右されます。精度が上がらないときは、録音前の準備、会議ツールの設定、文字起こし後の修正という3段階に分けて原因を確認しましょう。録音環境から順に見直すことで、改善すべき箇所を見つけやすくなります。

精度は音声の品質と道具の品質で決まる

精度が低いと感じたとき、多くの方は乗り換えれば解決すると考えて、まず比較サイトを開きます。ただ、商用で使えるAIの上位どうしの差は、思ったほど大きくありません。同じAIを使ったまま録音の条件を変えたときのほうが、結果は大きく動きます。

録音時の音声品質は、文字起こしの精度に大きく影響します。特にマイクとの距離、部屋の静けさ、声の明瞭さが重要です。録音後に雑音を軽減する処理はできますが、録音時に拾えなかった発言を正確に復元することは困難です。そのため、できるだけ録音前に環境を整えておきましょう。

一方で、道具の側にも上限があり、音声をどれだけ整えても、そのAIが届く精度より上は出ません。日本語の場合、同音異義語の判別と、ひらがな・カタカナ・漢字の使い分けが体感の精度を大きく左右します。

つまり、音声を整えることと道具を見極めることは、どちらか一方では足りません。順番としては音声が先です。音声が悪いままAIを替えても、改善はほとんど体感できないためです。

落ちている場所を3段階で切り分ける

症状から逆算すると、自分がどの段階でつまずいているかが分かります。

段階	この段階で直る症状	やること
録音の前	声が小さい、遠い、雑音に埋もれる、発言が重なって拾えない	マイクの距離と向き、場所、話し方を整える
会議ツールの設定	文字起こしが始まらない、音は録れているのに意味をなさない文字が並ぶ	文字起こし機能の有効化・利用条件・言語設定を確認する
録音したあと	固有名詞が化ける、言い淀みが残る、句読点が乱れる	必要に応じて再文字起こしや雑音軽減を試し、残った誤変換を修正する

これから録音する場合は、録音環境から順に見直すのが基本です。一方、すでに録音した音声でも、対応するツールを変更して再度文字起こししたり、音声の雑音を軽減したりする方法があります。出力済みのテキストを直すだけでなく、再文字起こしが可能かどうかも確認しましょう。

なお、この記事で扱うのは音声認識の精度と文字起こし結果の修正です。文字起こし自体は正しくても、議事録の要点が整理されていなかったり、発言の流れが分かりにくかったりする場合があります。こうした議事録のまとめ方に関する課題は、AI議事録の精度が低い原因と直し方で解説しています。

録音する前に整える4つのこと

この段階で直るのは、声が小さい、遠い、雑音に埋もれる、発言が重なって拾えない、といった症状です。いずれも会議が始まる前に手を打てます。

4つとも「チェック（現場で見る観点）」「判断基準（何をもってOKとするか）」「対策（外れているときにどうするか）」の3つで整理しました。会議の前にひととおり目を通しておけば、そのまま繰り返し使えます。

1. マイクと話者の距離を適切に保つ

最初に確認したいのは、マイクと口元の距離です。遠すぎると声が小さくなり、周囲の雑音や反響の影響を受けやすくなります。使用するマイクの推奨距離に合わせて、適切な位置に設置しましょう。

• チェック：発言者の口元とマイクの距離が、使用する製品の推奨範囲に収まっているか
• 判断基準：個人用マイクでは口元から15〜30cmを一つの目安とし、製品の推奨距離を優先する。卓上の集音マイクでは、製品が定める収音範囲に話者が入っているかを確認する
• 対策：離れるならピンマイクかヘッドセットを使う。大人数の会議室では、発言者が順番にマイクを渡すルールを決める

対面の会議や現場での打ち合わせでは、そもそも音がまともに録れているかが最初の壁になります。Otolioが実施した250件以上の導入企業アンケートでも、この壁に当たった声がありました。「スマートフォンを机の中央に置いたら、対面の参加者の声だけ小さくなった」という相談です。機材をそろえる前に、置き場所を見直す余地が残っていることは多いものです。

距離が離れると、音量が下がるだけでなく、部屋の反響が入り込んでAIが雑音と声を切り分ける負荷も上がります。物理的に近づけるだけで、結果は変わります。

2. マイクを話者の口元へ向ける

マイクとの距離が適切でも、向きによっては声を拾いにくくなることがあります。特に指向性のあるマイクでは、音を拾いやすい方向が決まっているため、話者の口元に向けて設置することが大切です。

• チェック：発言者が話しているとき、マイクは口元の方向を向いているか
• 判断基準：指向性マイクでは、主な集音方向が話者に向いている
• 対策：スクリーンやホワイトボードに向かって話す場面が多い会議では、個別マイクかマイクアレイを使う

典型的なのは、発表者がスクリーンを見たまま話し続ける場面です。本人は普通に話しているつもりでも、マイクには背中を向けた状態が続きます。会議の始めに向きを一言添えるだけで、録音された音声の質は変わります。

3. 環境音が乗らない場所を選ぶ

環境音は精度を落とす要因のなかでも対策しやすく、音源が近くにある場所を避けるだけで結果は安定します。

• チェック：窓際、空調や換気口の直下、工事音や交通音が届く場所を避けているか
• 判断基準：参加者同士が普通の声量で話して、違和感なく聞き取れる部屋
• 対策：静かな部屋に移す。難しければ紙めくりとタイピングを控え、咳払いのときはマイクから顔をそらすか一時的にミュートにする

紙をめくる音やキーボードの打鍵音は、耳では小さくても、マイクの近くでは話者の声より大きく録音されることがあります。会議の冒頭で「録音中は不要な動作を控える」と共有しておくだけでも、マイクのそばで生まれる雑音による誤変換は減らせます。

4. 話し方を整える

機材の話に寄りがちですが、話し方も精度に直結します。とくに複数人が同時に話す場面では、いまの音声認識でも話者の振り分けと文字起こしの両方が崩れます。

• チェック：発言が重なっていないか。早口や小声になっていないか
• 判断基準：一人ずつ順番に話し、聞き手が違和感なく追える速度と音量
• 対策：進行役が発言の交通整理を担う。固有名詞と数字はゆっくり明瞭に発音する

進行役が発言をさばく役割を引き受けると、重なりは大きく減ります。専門用語や固有名詞は一般の辞書に載っていないことが多いため、ここだけ一段ゆっくり話すだけでも誤変換のリスクは下がります。

会議ツールの文字起こしの設定を見る

会議ツールの設定を見直すことで、文字起こしが始まらない、発言が正しく認識されないといった問題を解決できる場合があります。まずは文字起こし機能が有効になっているか、利用プランや管理者の設定に制限がないかを確認しましょう。続いて、音声認識に使用する言語が合っているかを確かめてください。

文字起こしの言語と利用条件を確認する

Web会議ツールでは、音声認識に使用する言語を確認することが大切です。ただし、字幕と会議後に保存される文字起こしでは、設定方法が異なる場合があります。実際に話している言語と設定が合っていないと、認識精度が下がることがあります。まずは利用している機能と、その言語設定を確認してください。

会議ツール	見るところ	外していると起きること
Microsoft Teams	トランスクリプトの言語設定にある「この会議で話している言語」	話している言語と設定がずれ、文字が意味をなさない
Zoom	自動字幕では「字幕言語」、クラウド録画後の文字起こしでは音声文字起こしファイルの「言語を変更」	実際の音声と異なる言語で認識され、字幕や文字起こしが不正確になる
Google Meet	会議ツールの「文字起こし」の開始設定と、文字起こし機能の対応言語・利用条件	利用条件を満たさない場合、文字起こしを開始できないことがある

参照：Microsoft Teams 会議でライブ トランスクリプトを開始、停止、ダウンロードする
参照：ミーティングまたはウェビナーで字幕を表示する
参照：クラウド レコーディングにオーディオ文字起こしを使用
参照：Google Meet で文字起こしを使用する

設定の場所はツールごとに違い、使えるプランや端末にも条件があります。操作の手順は、ツールごとに別の記事にまとめています。TeamsはTeamsで文字起こしをする手順と使える条件をご覧ください。ZoomはZoomの文字起こし機能の使い方、Google MeetはGoogle Meetで文字起こしをする方法です。自分が使っているツールのものだけ開けば足ります。

専門用語は会議の前に渡しておく

利用するツールが参考資料の読み込みや専門用語の登録に対応している場合は、過去の議事録や製品マニュアル、型番の一覧などを事前に用意しておきましょう。こうした情報を音声認識に活用できる製品では、社内用語の誤変換を減らせる可能性があります。試用時には、資料を登録した状態と登録しない状態を比較すると、その機能の効果を確かめられます。

録音したあとに誤変換を直す

ここまで紹介した録音前の対策は、主に次の会議から役立つ方法です。ただし、すでに録り終えた音声でも、別のツールで再文字起こししたり、雑音を軽減したりできる場合があります。手元に誤変換の多いテキストがある場合は、再処理の可否を確認したうえで、残った誤りを修正しましょう。

生成AIに直してもらうときの指示文

誤変換の修正は、生成AIが得意とする作業の一つです。ただし、何も条件を付けずに「直して」と頼むと、要約されたり言い回しを整えられたりして、発言の記録としては使えなくなります。直す範囲を先に限るのが要点です。

次の指示文を、そのままコピーして使ってみてください。

以下は会議の録音を文字起こししたテキストです。次の条件で誤りを直してください。

1. 直すのは、明らかな誤変換、言い淀み（えー、あのー）、句読点の位置だけにしてください。
2. 発言の意味や言い回しは変えないでください。要約もしないでください。
3. 社内の固有名詞は次の表記が正しいものです。該当する箇所はこの表記に直してください。（例：製品名「AX-220」、部署名「生産技術部」、プロジェクト名「あおぞら」）
4. 直した箇所は、直す前と直したあとが分かる一覧にして、本文のあとにまとめてください。

修正箇所を一覧で返すよう指示しておくと、AIが必要以上に文章を変更していないかをあとから確認できます。また、正しい固有名詞の一覧を一度作っておけば、次の会議でも再利用できます。型番や部署名の誤変換をまとめて修正できれば、手作業で一つずつ直す負担も減らせます。

社外のAIに貼る前に確かめること

便利な方法ですが、順番を間違えないでください。会議の音声やテキストを社外のサービスに入れてよいかどうかは、どのAIを使うかを決める前の問題です。

無料のサービスのなかには、入力した内容を学習に使うものもあります。入力データの利用目的や保存期間、管理者が閲覧できる範囲などを事前に確認しましょう。具体的な確認事項と社内ルールの作り方は、無料の文字起こしツールは安全かどうかにまとめています。使い始める前に、会社として判断基準を決めておくことが大切です。

精度はどう測る？必要な水準の決め方

精度を測るには、あらかじめ用意した原稿を読み上げ、文字起こし結果と照合して誤りを数える方法があります。ただし、1分ほどの読み上げでは、その条件での認識精度を簡易的に確認できるだけです。実際の会議で必要な水準を満たすかどうかは、普段の会議に近い音声でも確かめる必要があります。

1分の読み上げで文字誤り率を測る

まずは、短い読み上げ音声を使って、その条件での文字起こし精度を確認します。雑音の少ない部屋で、マイクとの距離を適切に保って読み上げてください。

1. 1分ほどで読み終わる原稿を用意します。新聞記事の一節、書籍の一部、過去の議事録など身近なもので構いません
2. その原稿を読み上げ、文字起こし結果と照合します。文字の置換（誤変換）・脱落・余分な挿入を数え、原稿の総文字数で割ると文字誤り率（CER）を求められます
3. 句読点の入り方、ひらがな・カタカナ・漢字の使い分けも合わせて見ます

複数の道具を比べる場合は、できるだけ同じ録音データを使ってください。原稿や話者が同じでも、読み上げるたびに声の大きさや話し方が変わると、比較条件が揃いません。録音ファイルを取り込める製品なら同一ファイルで比較し、その後に実際の会議でも試すと、違いを判断しやすくなります。

読み上げテストの結果を比較の基準にする

静かな部屋でマイクとの距離や向きを整えて測ると、録音環境による影響を抑えた状態で認識精度を確認できます。ただし、その結果が道具の性能の上限になるわけではありません。話す内容や専門用語、音声認識の設定によっても結果は変わるため、比較のための基準値として扱いましょう。

実際の会議では、雑音や発言の重なりによって精度が下がることがあります。一方、読み上げテストでは確認できなかった専門用語や複数人の発言への対応も、実際の会議で評価する必要があります。読み上げテストの結果だけで乗り換えを決めず、普段の会議に近い条件でも確認してください。

用途ごとに必要な水準を先に決める

必要な水準は、議事録の使い道で変わります。

要点だけを残す会議と、発言そのものを正確に残す会議では、求められる精度が異なります。また、社内での情報共有に使うのか、あとから発言内容を確認するために使うのかによっても必要な水準は変わります。修正にどれだけ時間を割けるかも、判断の材料です。

発言をそのまま残したい会議では、多少の誤変換も見過ごせません。一方、決定事項を把握することが目的なら、細かな誤変換を修正する必要性は低くなる場合があります。必要な水準を先に決め、その用途に近い音声で試した結果や修正にかかる時間を確認すると、乗り換えの必要性を判断しやすくなります。

精度を過信しない2つの注意点

音声を整え、設定を見直し、あとから修正しても、完全には解消しにくい課題があります。ここでは、特に注意したい2つの課題と、その対処方法を紹介します。

1. 社内の固有名詞・専門用語は誤変換されやすい

特に誤変換されやすいのが、人名や部署名、プロジェクト名、製品名、型番といった社内固有の言葉です。一般的な語彙には含まれない場合があるため、汎用のAIでは正しく認識できないことがあります。商談でも「型番は本当に出ない」という相談を繰り返し受けます。

辞書に登録する機能で対応する手もあります。初手としては有効です。ただ、登録しきれない言葉が残り、担当者や製品が入れ替わると管理が追いつきません。

登録に頼らない方法もあります。Otolioが採っているのは、過去に作った議事録のテキストをAIが参照し、用語を登録しなくても社内の言葉に寄せていく仕組みです。この仕組みは特許を取得済みです。入力されたデータをAIの学習に使わない設計のため、社内の言葉を外に覚えさせずに精度を積み上げられます。

文具やオフィス用品を手がけるコクヨでは、約2時間の会議に対して、議事録の作成に4時間以上かかっていました。Web会議ツールの文字起こしを使っても、社内の専門用語を正しく変換できず、発言者の振り分けもできていませんでした。

そのため、音声を聞き直しながら修正する作業が残っていました。Otolioの導入後は、同じ会議の議事録を約30分で作成できるようになり、作成時間を約90%削減しています。

参考記事：専門用語が多い会議の議事録作成時間を90%削減。Web会議ツールとOtolioの文字起こしの違いとは

ここまでの手を打っても追いつかないなら、音声を文字にする方法そのものを選び直す段階です。音声を文字にする2つの方法と手順を見ておくと、いま使っている道具が自分の会議に合っているかを確かめられます。

2. 文脈を踏まえた変換は苦手

もう一つの限界が、前後の流れを踏まえた漢字の選択です。例えば「こうじょう」という音には、「工場」「向上」「口上」など複数の表記があります。人なら会話の流れから適切な漢字を判断できますが、AIは誤変換することがあります。

この種の誤りは、道具を乗り換えても完全にはなくなりません。完璧な文字起こしを前提に運用を組まず、人が目を通す工程を最初から入れておくほうが、結果として早く終わります。

そのため、道具を比べるときは精度の数字だけで決めないでください。該当箇所の音声をすぐに聞き直せるか、話者ごとに整理できるか、要約に反映できるかも確認しましょう。修正のしやすさまで含めて比較すると、実際にかかる作業時間を判断しやすくなります。

文字起こしソフトの選び方では、会議業務で使える主要9本を対応会議・精度・セキュリティの観点で比べています。

まとめ｜精度は録音・設定・直しの3段階で上げる

文字起こしの精度は、音声の品質と道具の品質の掛け算で決まります。道具を替える前に、どの段階で落ちているかを切り分けてください。

録音前には、マイクとの距離や向き、場所選び、話し方の4つを確認しましょう。会議ツールを利用する場合は、文字起こし機能の有効化や対応言語などの設定も確認してください。すでに録音した音声は、必要に応じて再文字起こしを試し、残った誤変換を修正します。生成AIを利用する場合は、社外サービスに会議データを入力してよいか、事前に確認しましょう。

1分ほどの読み上げテストは、認識精度を簡易的に確認する方法として役立ちます。ただし、その結果は道具の性能の上限ではありません。普段の会議に近い音声でも試し、必要な精度や修正時間の条件を満たせるか確認しましょう。

文字起こしの精度だけでなく、修正にかかる時間も含めて比較すると、業務上の効果を判断しやすくなります。

よくある質問とその回答

Q. 文字起こしの精度が上がらない最大の原因は何ですか？

精度は音声の品質と道具の品質の掛け算で決まりますが、多くの現場でつまずいているのは音声の側です。同じAIでも録音の条件で結果は大きく動くため、まずマイクとの距離、向き、環境音、話し方の4つを整えてください。そのうえで残った誤変換を、道具の側の課題として切り分けます。

Q. マイクと話者の距離はどれくらいが理想ですか？

個人用のマイクでは口元から15〜30cmを一つの目安とし、製品の推奨距離に合わせて調整してください。会議室用の集音マイクでは、製品ごとに定められた収音範囲を確認しましょう。話者との距離が遠い場合は、ピンマイクやヘッドセットの利用、発言者ごとのマイクの切り替えなどを検討してください。

Q. 静かな環境でテストした精度が低い場合、環境を整えれば伸びますか？

静かな環境での読み上げテストで精度が低い場合、録音条件をさらに調整したり、音声認識の設定を見直したりする余地があります。ただし、その結果が必ず改善するとは限りません。読み上げテストの数値を性能の上限とは考えず、実際の会議に近い音声でも試してください。それでも必要な精度に届かない場合は、ツールの変更を検討しましょう。

Q. 専門用語や型番は正しく文字起こしされますか？

一般の辞書に載っていない社内の言葉は、汎用のAIでは誤変換されやすい領域です。辞書登録や参考資料の読み込みに対応したツールでは、専門用語をあらかじめ登録・共有することで改善できる場合があります。ただし、登録する言葉が増えると管理の負担も大きくなります。過去の議事録を参照し、用語登録なしで精度向上を図れる製品を選ぶことも有効な選択肢です。

Q. Web会議ツールの標準機能と専用ツールでは、どちらが精度が高いですか？

Web会議ツールの標準機能と専用ツールのどちらが高精度かは、録音環境や専門用語への対応、利用する製品によって異なります。専用ツールには話者識別や専門用語への対応を強化した製品もありますが、標準機能で十分な場合もあります。まずは現在の環境で精度を確認し、誤変換や修正時間が課題として残る場合に専用ツールを比較しましょう。Web会議の文字起こしを自動化する方法では、自動化の方法を紹介しています。Microsoft 365を使っている方は、Copilotで文字起こしができる条件もあわせて確認してください。