ベトナム語の音声を文字起こしする

Potokは、録音をTelegramボットに送るとベトナム語の音声を文字に変換します。以前のlarge-v2モデルについて他者が公表したテスト（当社の測定ではありません）では単語誤り率は10.3でしたが、別のテストセットではlarge-v3で18.9となっており、結果はデータによって変わります。2 GBまでのファイルに対応します。

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

• 公表された二つの数値、10.3と18.9が食い違っているのは、テストセットとモデルが異なるためです。
• ベトナム語はすべての音節の間にスペースを入れるため、単語誤り率は単語全体よりも音節を数えることになります。
• 重なった声調記号と追加の母音記号が、書き出しですべて残る必要があります。
• 声調記号が一つ違うだけで別の単語になるため、声調が校正の主な対象です。
• 名前は音節ごとにスペースを空けて書かれるため、姓と名の順序は手作業で確認する必要があります。

文字起こしのイメージ

[00:00] 話者1: Chúng ta bắt đầu cuộc họp nhé. Trước tiên, chúng ta sẽ xem lại kết quả tuần trước, sau đó lên kế hoạch cho các bước tiếp theo.

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. 幅が広いと考えておく。 公表された結果が10.3から18.9まで広がっているため、自分の録音のクリップで試してください。
2. ボットを開く。 @potok_now_bot を開き、サンプルを送ります。
3. ファイル全体を送る。 2 GBまで可能です。もっとも大きなものにはミニアプリの「アップロード」を使います。
4. 声調記号を確認する。 一段落を見て、記号を音声と比べます。
5. 名前を確認する。 人名や地名は、誤りやすいものです。
6. 書き出す。 編集にはDOCXかTXT、字幕にはSRTかVTTを選びます。

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

10.3と18.9のどちらが正しいのですか？

どちらも公表されています。前者はlarge-v2、後者は別のデータセットでのlarge-v3のものなので、幅そのものを答えとして扱ってください。

声調記号は保たれますか？

はい。文字起こしは記号付きのベトナム語で書かれるため、Unicode対応のソフトを使ってください。

サイズの上限は？

一ファイルあたり2 GBで、大きなものには「アップロード」を使います。

それらは御社が測定したものですか？

いいえ。他の人々が公表したテストに基づく数値です。

文字は翻訳されますか？

いいえ。文字起こしは、送った録音と同じ言語であるベトナム語のままで、別の言語には変換されません。

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. Word error rate (Wikipedia), Wikipedia · 確認日 2026-10-18
2. FLEURS speech dataset (Google, Hugging Face), Hugging Face · 確認日 2026-10-18
3. Whisper paper, Table 13 (large-v2 on FLEURS) · 確認日 2026-10-18