中国語（普通話）の文字起こし：音声・動画をテキストに

普通話はPotokに向いています。Telegramのボットに音声や動画を送ると、中国語のテキストが返ります。large-v3モデルの公表テストでは文字誤り率は7.8で、以前のlarge-v2モデルの14.7から下がっています。2 GBまでのファイルを受け付けます。

録音を文字起こしする

音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。

Telegram で @potok_now_bot を開く

2 GB までのファイル · TXT、MD、DOCX、PDF、SRT、VTT で書き出し · 話者ラベルとタイムスタンプ · 約30言語

要点

• 中国語はスペースなしで書かれるため、品質は文字誤り率で示されます。large-v3の公表テストでは7.8です。
• 以前のlarge-v2モデルは同種のテストで14.7だったため、新しいモデルは明らかに前進しています。
• これらは他の研究グループの結果であり、お手元の録音で当社が測定したものではありません。
• 読者が簡体字と繁体字のどちらを想定しているかによって、出力が必要な文字種かどうかを確認してください。

文字起こしのイメージ

[00:00] 話者1: 我们开始开会吧。首先回顾上周的结果，然后规划下一步。

日本語の意味：Let's start the meeting. First, we'll review last week's results, then plan the next steps.

文字の表記と文字起こしのレイアウトを示すために当社で作成したものです。認識エンジンの出力ではありません。

公開されている品質

これらの数値は第三者が公開したテストによるもので、Potokのテストによるものではありません。ノイズ、訛り、マイクを含むお客様ご自身の音声では、結果が異なります。

手順

1. 自分の普通話を知る。 標準的な放送の話し方は簡単なケースです。強い地方訛りや広東語との混在は、最初に短いテストをする価値があります。
2. ファイルを送る。 @potok_now_botに、ボイスメモ、音声、動画、またはYouTubeのリンクを送ってください。2 GBに近い録音は「アップロード」ボタンを使います。
3. タイムスタンプをオンにする。 スペースのない行は目で追いにくいため、タイムスタンプがあると長いテキストの中で場所を見つけやすくなります。
4. 名前と数字を校正する。 人名、会社名、数値は、同音異字による間違いが起きやすい箇所です。
5. 書き出す。 動画の字幕にはSRTかVTT、報告書にはDOCX、PDF、TXT、MDが向いています。

よくある間違い

関連情報

対応言語の一覧、ツール、用語集もご覧ください。

よくある質問

普通話の文字起こしはどれくらい良いですか？

large-v3の公表テストでは文字誤り率は7.8です。これは他の研究グループの結果であり、お手元の録音では挙動が違うかもしれません。

なぜ単語誤り率ではなく文字誤り率なのですか？

中国語は単語の間にスペースがなく、単語を数えるには追加の規則が必要です。文字で数えるほうが単純で公平な尺度になります。

簡体字と繁体字のどちらで出力されますか？

公表テストでは言及がないため、短いサンプルで確認し、別の文字種が必要ならエディタで変換してください。

ボットは広東語も扱えますか？

広東語は当社の一覧で別の項目になっており、独自の注意書きがあります。このページは普通話を扱います。

字幕を書き出せますか？

はい。SRTとVTTのファイルは各行に時刻を持ちます。公開する前に校正してください。

出典

各出典は、記載の日付に手作業で開いて確認しました。ページは変更されることがあるため、細部が重要な場合は出典をご確認ください。

1. Word error rate (Wikipedia), Wikipedia · 確認日 2026-10-18
2. Whisper speech recognition system (Wikipedia), Wikipedia · 確認日 2026-10-18
3. Whale paper, Table 5 (Whisper large-v3 on FLEURS) · 確認日 2026-10-18
4. Whisper paper, Table 13 (large-v2 on FLEURS) · 確認日 2026-10-18