先に結論： Whisperの精度を表す数字は1つではなく、はしごです。クリーンな単一話者の朗読音声では、largeモデルは単語誤り率（WER）約2〜3% — 100語中97語以上を正しく書き取る水準 — に達します。実際の英語ベンチマークを複数混ぜると、Whisper Large V3の平均は約7.4%です。マイクが遠く話者が重なる会議室の音声では、同じモデルが約16%になります。そして低リソース言語では、誤り率はさらに3倍に跳ね上がることがあります。Whisperが「正確」かどうかは、あなたの録音がどの段にあるかで決まり — それと同じくらい、使っているアプリが実際にどのWhisperバリアントを実行しているかでも決まります。
この記事のすべての数値は、OpenAIが公開した論文とモデルカード、または公開されているOpen ASR Leaderboardから取っており、出典は記事末尾にリンクしています。2026年8月19日にLoroNoteチームが作成しました。LoroNoteはWhisper Large V3 Turboを端末上で実行しているので、私たちにも利害があります — だからこそ、以下に私たち自身のマーケティング数値は1つもありません。
単語誤り率（WER）は何を測っているのか
WERは、文字起こしが間違えた単語 — 別の単語に置き換えた、落とした、作り出した単語 — を、実際に話された単語数に対する割合として数えます。WER 5%は20語に1つ、16%は6語に1つの誤りという意味です。この定義から2つのことが導かれます。
- WERは、測定に使われた音声と並べて初めて意味を持ちます。 テストセットを明かさない「精度98%」は測定ではなくスローガンです。同じモデルがオーディオブックでは97%超を、会議室では84%を出しますが、どちらも故障ではありません。
- すべての誤りのコストが同じではありません。 抜け落ちた「えーと」と書き間違えられた薬品名は、同じ1回として数えられます。WERが標準の物差しなのは客観的だからであって、文字起こしがどれだけ使いものになるかを捉えているからではありません — 下で扱う、自分の音声でのテストがどんな表にも勝る理由です。
計算式そのもの、WERが100%を超えられる理由、公表値を静かに動かす正規化の工程は、単語誤り率（WER）の解説記事で詳しく扱っています。
精度のはしご：同じモデル、4つの段
標準ベンチマークでWhisperのlargeモデルが記録した公開数値です。
| 音声の条件 | ベンチマーク | おおよそのWER | 出典 |
|---|---|---|---|
| クリーンな朗読音声、単一話者 | LibriSpeech test-clean | 約2〜3% | OpenAIのWhisper論文（large、2.7%） |
| 実際の英語音声の混合、テスト8種 | Open ASR Leaderboard平均 | 約7.4%（Large V3） | Open ASR Leaderboard |
| 会議室、遠いマイク、発話の重なり | AMI会議コーパス | 約16%（Large V3） | Open ASR Leaderboard |
| 低リソース言語の例 | ヒンディー語（Common Voice） | 約27%（Large V3） | openai/whisper-large-v3モデルカード |
はしごを上から下へ読めば、パターンは明白です。悪くなっているのはモデルではなく音声です。口元に持ったスマートフォンへの音声入力は最上段の近くにあります。カフェのテーブル越しのインタビューは中段です。テーブルの端から録音された会議は、ソフトウェアの選択が入り込む前から3段目に下りています。
どのWhisperか：バリアントで答えが変わる
「Whisper搭載」が指すのはモデル1つではなくファミリーです。Whisperはtinyからlargeまで複数のサイズで配布されており、サイズ間の差はベンダー間の差より大きいのです。
- Large V3は精度のフラッグシップです。OpenAIは弱ラベル付き音声100万時間と擬似ラベル付き音声400万時間で学習させ、幅広い言語でLarge V2より誤りが10〜20%少ないと報告しています。
- Large V3 Turboは速度最適化の派生モデルです：8億900万パラメータ、デコーダは32層から4層に削減。OpenAIはその代償を「わずかな品質低下」と表現します — Open ASR Leaderboardでは平均は近接しています（平均WER約7.8%対7.4%、AMIでは約16.1%対16.0%）。言語全体を合わせるとLarge V2と同等の性能で、タイ語や広東語など一部の言語で最も多く失います。このトレードオフはWhisper Large V3 Turboガイドで掘り下げています。
- smallとmediumはWERが数ポイント高くなります — 1段落のテストでも見える実際の差です。この点は特にiPhoneで重要です。よく知られた「Whisperアプリ」のいくつかは、Mac版ではlargeを動かしながら、スマートフォンではsmallやmediumを実行しているからです。Whisperアプリ比較に、各iOSアプリが実際にロードするバリアントをまとめています。
実用的なルール：アプリを精度で比較する前に、それぞれがどのWhisperを実行しているかを確認しましょう。Large V3 Turboを動かすアプリとsmallを動かすアプリは — 両方の説明文が「Whisper AI」について何と言っていようと — 同じ精度を提供しているわけではありません。
言語はどのソフトウェアの選択よりも数値を大きく動かす
Whisperの学習データは高リソース言語に大きく偏っており、精度もそれに従います。英語、スペイン語、ドイツ語、日本語、韓国語など、データの豊富な言語は上の平均値の近くに集まります。低リソース言語は誤り率がはるかに高くなります — 表のヒンディー語の数値は公開されている一例で、OpenAIのモデルカードは、同じ言語の中でもアクセントや方言によって性能にむらがあると明記しています。
Whisper Large V3は約100言語を扱います（広東語はV3で追加）。つまり「対応している」と「同じくらい正確」は別の主張です。自分の言語が高リソース層の外にあるなら、正直なアドバイスはこの記事を通して変わりません。短い録音を自分で試して結果を見てください — 全対応言語リストはLoroNoteが何を試みるかを教えてくれ、自分の音声2分はどれだけうまくやれるかを教えてくれます。
ハルシネーション：WERが過小評価するエラー
OpenAIのモデルカードは率直に述べています。大規模でノイズの多いデータで学習しているため、「予測には、音声入力で実際には話されていないテキストが含まれることがある（すなわちハルシネーション）」と。実際には無音、背景ノイズ、音楽の区間で現れます — Whisperは生成モデルなので、頼りにする音声がないと、誰も言っていない流暢な文を作り出すことがあります。
これを抑え込む手立ては2つあります。
- アプリ側で緩和できます。 無音区間をスキップする音声区間検出（VAD）は、モデルがテキストを作り出す主な機会を取り除きます。これはモデルの設定ではなくアプリレベルの挙動で、同じWhisperを動かすアプリ同士の実質的な違いの1つです。
- 自分で見分けられます。 ハルシネーションのテキストは、静かだったと分かっている区間 — 録音の最後、長い沈黙 — に現れる傾向があります。文字起こしの中盤はしっかりしているのに、沈黙だったはずの区間に文が現れていたら、聞き間違いではなくハルシネーションを見ています。
この挙動をトランスデューサ・アーキテクチャのモデルと比較したのがParakeet V3対Whisper Large V3です — トランスデューサは無音でのハルシネーションが少なく、Whisperははるかに多くの言語を扱います。両方を満たすモデルはありません。
実際の録音で精度を左右するもの
ベンチマークが変えているのは音声で、あなたの録音が変えるのも同じものです。おおよその影響順に：
- マイクの距離。 最大のレバーです。テーブルの上、腕を伸ばした距離のスマートフォンは、部屋の反対側のスマートフォンに、どんなモデルのアップグレードよりも大きく勝ります。
- ノイズと音楽。 一定の背景ノイズはなだらかに、音楽やガチャガチャという音は大きく性能を落とします。
- 話者の重なり。 会議コーパスが約16%で、単一話者の音声が約3%にいる理由がまさにこの発話の重なりです。
- 専門用語。 名前、薬品名、銘柄コード、業界用語は突出して間違われやすいです。LoroNoteのカスタム辞書はまさにこのためにあります：もう間違えてほしくない、繰り返し出てくる用語のために。
- モデルのバリアント — 上の要因の中で唯一、純粋にソフトウェアの選択であり、LoroNoteがスマートフォンで実行可能な最大のWhisperバリアントを動かしている理由です。
話者ラベルには一言添える価値があります。話者分離はWERを変えませんが、複数話者の文字起こしがそもそも使いものになるかどうかを変えます。話者のない正確な文字起こしは、依然として宿題です — 話者識別の仕組みが問題の残り半分を扱っています。
10分でできるWhisper精度のセルフテスト
自分の音声でのテストは、この記事のどの表よりも優先されます。
- 実際の用途に似た2分ほどを録音します — 同じ部屋、同じ距離、同じ言語、実際の名前と専門用語で。普通に話す速さなら、2分で下の200語のカウントに足りる分量になります。
- 文字起こしして、音声と突き合わせながら結果を読みます。
- 200語の区間で誤りを数えます：置き換えられた単語、抜けた単語、作り出された単語のすべて。誤り数 ÷ 200 = あなたのWER。
- 数だけでなく誤りの質も判断しましょう：つぶれた相づち5つと、つぶれた顧客名5つは、同じWERでもまったく別の一日です。
何を誤りと数えるかを先に決める方法まで含めた、この手順の正確な版はWERの解説記事にあります。
LoroNoteは無料でダウンロードでき、無料版はどんな録音でも最初の2分を文字起こしします — ちょうどこのテストに必要な長さです。文字起こしは端末上で行われるため、録音はiPhoneを離れません — アップロードの手順も、アカウントもなく、機内モードでも何も変わりません。
よくある質問
Whisperは業務用の文字起こしに使えるほど正確ですか？
近いマイクでクリーンに録音された高リソース言語なら、Whisperのlargeモデルは、ほとんどの人が軽く手直しするだけで済むドラフトを生成します — クリーンな音声でのWER 2〜3%は自動システムの実質的な上限に近い水準です。マイクが遠い会議、激しい発話の重なり、正確な文言が重要な場面では、レビューの時間を見込んでください。WER 16%では、6語に1語があなたの確認を待っています。
Whisper Large V3 TurboはLarge V3より精度が落ちますか？
わずかに落ちます。OpenAIは低下を「わずか」と表現しており、公開リーダーボードの英語平均は1ポイント以内に収まっています。言語全体を合わせるとTurboはLarge V2と同等の性能で、タイ語や広東語など一部の言語で最も多く失います。その代わり劇的に速くなります — Largeクラスのモデルをスマートフォンで実用的にしている、まさにその取引です。
誰も言っていない文が文字起こしに入っているのはなぜですか？
それがハルシネーションです。無音、ノイズ、音楽で現れるWhisperの文書化された挙動で、頼りにする音声がない生成モデルが、それでも流暢なテキストを作り出す現象です。録音の静かな区間を確認してみてください。Whisperの前に音声区間検出を実行するアプリは、これをほぼ回避できます — ユーザー設定ではなく、アプリの挙動です。
オンデバイスでWhisperを動かすと精度は落ちますか？
いいえ。同じモデルの重みは、どこで実行されても同じ文字起こし品質を出します。オンデバイス推論は劣化モードではありません。アプリ間で違うのは、どのバリアントを動かすかです — クラウドサービスは最大のモデルを簡単にホストできる一方、オンデバイスアプリはスマートフォンに収める必要があり、一部はsmallやmediumを動かしています。LoroNoteはLarge V3 Turboをローカルで実行し、Largeクラスのモデルとオンデバイスのプライバシーを1つのアプリに収めています。
まとめ
「Whisperの精度はどれくらいか」の答えは、数字ではなく形をしています。クリーンな朗読音声でWER約2〜3%、混合英語ベンチマークで約7%、会議音声で約16%、低リソース言語ではそれより悪く — そしてWERが過小評価する注意点としてハルシネーションがあります。自分の結果を最も大きく動かす2つの選択は、物理的なもの（マイクを近づける）と構造的なもの（自分のアプリがどのWhisperバリアントを動かしているか知る）です。残りは自分の録音で10分あれば測定できます — 最初からあなたに関するものだった、唯一のベンチマークで。