日本語の文字起こし：音声・動画をテキストに

Potokは、Telegramで日本語の音声・動画を文字起こしします。日本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、large-v3モデルの公表テストでは4.5と良好な結果です。ボイスメッセージ、録音、2 GBまでのファイルを送れます。

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

• 4.5は、公表されたlarge-v3のテストによる文字誤り率であり、当社が測定したものではありません。
• 日本語はスペースなしで書かれるため、単語誤り率ではなく文字誤り率が使われます。
• 文章は漢字、ひらがな、カタカナが混ざり、同じ音がいくつもの書き方で書かれることがあります。
• 名前は弱点です。話された一つの名前に、複数の漢字の候補があるためです。

文字起こしのイメージ

[00:00] 話者1: 会議を始めましょう。まず先週の結果を確認し、そのあと次のステップを計画します。

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. クリップを共有する。 日本語の録音を、音声、動画、ボイスメッセージ、YouTubeのリンクのいずれかで@potok_now_botに送ってください。
2. 巨大なら、アップロードする。 2 GBまでのファイルが使えます。長い番組にはミニアプリの「アップロード」ボタンを使ってください。
3. タイムスタンプを使う。 スペースがないと長い行は見にくいため、時刻があると移動しやすくなります。
4. 名前を確認する。 人名や地名の漢字を、信頼できる情報源で確かめてください。
5. 表記の選び方を確認する。 スタイルガイドが求める箇所で、語が漢字になっているか仮名になっているかを見てください。
6. 書き出す。 字幕にはSRTかVTT、テキストにはTXT、MD、DOCX、PDF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

日本語の文字起こしの精度はどれくらいですか？

large-v3の公表テストでは、日本語の文字誤り率は4.5です。これは他の研究グループの数値です。

なぜ単語誤り率ではないのですか？

日本語は単語の間にスペースがないため、文字を数えるほうが単純で公平な尺度だからです。

漢字と仮名で書かれますか？

はい。普通の日本語と同じように文字種が混ざりますが、選び方の一部は編集が必要かもしれません。

字幕を作れますか？

はい。SRTかVTTを書き出し、改行と名前を直してください。

テキストは翻訳されますか？

いいえ。文字起こしは日本語のままで、ボットは他の言語に翻訳しません。

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. Japanese writing system (Wikipedia), Wikipedia · 確認日 2026-10-18
2. Word error rate (Wikipedia), Wikipedia · 確認日 2026-10-18
3. Whale paper, Table 5 (Whisper large-v3 on FLEURS) · 確認日 2026-10-18