英語の文字起こし：音声・動画をテキストに

英語は、公表テストでPotokが最も強い言語です。large-v3モデルの単語誤り率は、あるテストで4、別のテストで4.25に達し、turboモデルの第三者テストの平均は4.80です。ボイスメモ、通話、動画、2 GBまでのファイルをTelegramのボットに送れます。

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

• 英語のlarge-v3の公表単語誤り率は4から4.25で、当社ではなく他者が測定したものです。
• turboモデルの第三者テストの平均は4.80で、小さいモデルでも近い水準にとどまります。
• 平均値よりも、訛り、専門用語、重なった発話のほうが、実際の結果を大きく動かします。
• thereとtheirのような同音異義語は、典型的な最後に残る間違いです。

文字起こしのイメージ

[00:00] 話者1: Let's start the meeting. First, we'll review last week's results, then plan the next steps.

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. 最良の音源を選ぶ。 通話の画面録画ではなく、元のファイルを使ってください。画面録画はノイズと圧縮を加えてしまいます。
2. ボットにメッセージを送る。 @potok_now_botに、音声、動画、転送したボイスメッセージ、YouTubeのリンクを送ってください。
3. 長編サイズのファイルの場合。 上限は2 GBです。非常に長い録音は、ミニアプリの「アップロード」ボタンで送れます。
4. 話者ラベルをオンにする。 話者ラベルは話者1、話者2のように表示されます。音声を引用するなら、タイムスタンプも加えてください。
5. 細かい点を校正する。 製品名、略語、数値、同音異義語を確認してください。
6. 書き出す。 テキストにはTXT、MD、DOCX、PDF、字幕にはSRTかVTTを使います。

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

英語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、英語の単語誤り率は4から4.25で、当社の一覧で最も低い部類です。これは他の研究グループの数値です。

イギリス英語、アメリカ英語、インド英語の訛りに対応しますか？

公表された数値は訛りごとの結果を示していません。訛りが強い場合は、話者の短いクリップで試してください。

YouTube動画を文字起こしできますか？

はい。リンクをチャットに貼ると、ボットが音声を文字起こしします。

話者の名前は入りますか？

いいえ。ラベルは番号で、書き出したファイルで自分で名前に書き換えます。

英語のテキストは翻訳されますか？

いいえ。結果は英語のままで、ボットは他の言語への翻訳をしません。

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. FLEURS speech dataset (Google, Hugging Face), Hugging Face · 確認日 2026-10-18
2. Word error rate (Wikipedia), Wikipedia · 確認日 2026-10-18
3. Canary-1B-v2 paper, Table 11 (Whisper large-v3 on FLEURS) · 確認日 2026-10-18
4. Whale paper, Table 5 (Whisper large-v3 on FLEURS) · 確認日 2026-10-18