中国語（普通話）の音声を文字起こしする

Potokは、Telegramボットを通じて普通話の音声を文字に変換します。large-v3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、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。中国語にはスペースがないため、誤りは文字単位で数えます。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

• 文字誤り率は、正しい参照テキストと比べて誤っている文字を数えたもので、低いほど良い結果です。
• 以前のlarge-v2モデルは、同種の公開テストで14.7でした。
• 中国語はスペースなしで書かれるため、この指標は単語ではなく文字を数えます。
• 広東語は別の話し言葉で、このサイトに専用ページがあります。

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. 言語が普通話であることを確認する。 話者が広東語や強い地方の方言に切り替わると、結果は下がります。言語が変わるところでファイルを分けてください。
2. ボットを開く。 Telegramで @potok_now_bot を開きます。
3. ファイルを送る。 音声、動画、ボイスメッセージ、YouTubeリンクのいずれも、2 GBまで使えます。大きなものには「アップロード」ボタンを使ってください。
4. 同音の文字を校正する。 異なる文字が同じ発音を持つことがあります。音声と合わせて結果を読み、とくに名前を直してください。
5. 書き出す。 編集にはDOCXかTXT、字幕にはSRT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

普通話の文字起こしの精度はどのくらいですか？

公表されている文字誤り率はlarge-v3で7.8で、良好なグループに入ります。ただし、名前や珍しい語は確認が必要です。

なぜ文字誤り率なのですか？

中国語はスペースなしで書かれるため、一般的な指標は単語ではなく文字を数えます。

large-v2の数値は今も関係がありますか？

14.7でした。公表されたテストでは、新しいモデルのほうがよく読み取れています。

動画もアップロードできますか？

はい。動画ファイルとYouTubeリンクは、2 GBの上限内で受け付けます。

繁体字と簡体字のどちらで書かれますか？

公表されたテストでは触れられていません。必要な字体になっているか、サンプルで確認してください。

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