先に結論： 単語誤り率（WER）は、文字起こしの精度を測る標準の物差しです。文字起こしが間違える形は3つあります。語が別の語に置き換わる、話された語が抜ける、話していない語が入り込む。この3つの合計を、実際に話された語数で割った値がWERです。WERが10%なら、およそ10語に1語が間違っている計算になります。ただし、この定義には見えにくい落とし穴が3つあります。WERは100%を超えることがあります。同じ認識結果でも、集計前のテキスト正規化のやり方しだいでスコアが変わります。そして、どの音声で測ったかが分からない数値には意味がありません。さらに、日本語や中国語のように分かち書きをしない言語では、業界は文字誤り率（CER）という別の指標に切り替えます。ベンダーはこれを、WERと同じものであるかのように引用しがちです。
この記事はLoroNoteチームが2026年8月26日に書いています。LoroNoteは端末上でWhisper Large V3 Turboを動かしており、WERの数値は私たちが何を作り、何を主張するかを左右します。だからこそ、以下の数値はすべてOpenAIが公開した論文とモデルカード、または公開のOpen ASR Leaderboardから取り、末尾にすべてリンクしました。自社の測定値は1つもありません。
計算式：文字起こしが間違える3つの形
WERは2つのテキストを比べます。正解文（実際に話された内容を人が丁寧に書き起こしたもの。リファレンスと呼ばれます）と、認識結果（機械が出力したもの）です。両者の違いは、必ず次の3種類のどれかに分類されます。
- 置換（S）：ある語が別の語に置き換わった
- 脱落（D）：話された語が認識結果から抜けた
- 挿入（I）：誰も話していない語が認識結果に現れた
スコアは、3種類の合計を正解文の語数で割った値です。
WER = (S + D + I) / N。Nは実際に話された語数であり、認識結果の語数ではありません。
具体例で見ます。英語で「send the report to Priya by Friday morning」と話したとします。8語です。認識結果が「send a report to Prisha by Friday」だったとすると、置換が2つ（the → a、Priya → Prisha）、脱落が1つ（morning）。8語中3誤りで、WERは37.5%です。この例には重要な点がさりげなく含まれています。実害があるのは人名の誤りのほうなのに、theがaになった誤りとまったく同じ1つとして数えられるのです。これについては後述します。
WERが100%を超えることがある理由
置換と脱落は正解文の長さが上限になります。話された語数より多くの語を落とすことはできません。挿入には上限がありません。生成型の音声モデルは、ほぼ無音の区間から文を丸ごと作り出すことがあり、作り出された語はすべて、語数がほとんどない正解文に対する挿入として数えられます。こうしてWERは100%を超えます。これは計算の不具合ではなく、式が設計どおりに動いた結果です。音声が静かになったり音楽に変わったりしたときに流暢なテキストを生成してしまうという、Whisperの文書化された挙動（ハルシネーション）が、平均WERへの寄与以上に重要である理由もここにあります。この点でモデルのアーキテクチャがどう違うかは、Parakeet V3対Whisper Large V3で比較しました。
WERと「精度99%」の関係
ベンダーが宣伝に使うのは単語誤り率ではなく「精度」です。換算は単純で、精度はおおむね100%からWERを引いた値です。ただ、この言い換えは静かに大きな仕事をしています。「精度99%」は製品そのものの性質のように聞こえます。しかしWERが表せるのは、あくまで特定のテストセットの上での製品の挙動だけで、精度をうたう文言がそのテストセットの名前を明かすことは、まずありません。クリーンで口元にマイクがある朗読音声で97%を出す同じエンジンが、マイクが遠い会議では、ソフトウェア側は何も変わらないまま84%になります。テストセットの記載がない精密な精度表示は、評価ではなく広告上の判断です。
実務的な目安はこうです。精度のパーセンテージを見たら、100から引いて「どの音声で？」と問います。答えが公開されていなければ、その数値は何とも比較できません。同じベンダーの昨年の数値とすらです。
すべての誤りが同じ1つとして数えられる
WERは意図的に平等主義です。抜け落ちた「ええと」も、間違った薬品名も、それぞれ1つの誤りです。この中立性こそが指標を客観的にし、システム間の比較を可能にします。同時に、最もよく知られた限界でもあります。フィラー5語が崩れた文字起こしと、クライアント名5つが崩れた文字起こしは、WERは同一で、結果はまったく違います。
評価チームはキーワード重み付きの指標や固有名詞の誤り率で補うことがありますが、論文でもリーダーボードでもマーケティングでも、見出しに載る数値はほぼ常に素のWERです。ツールを選ぶ立場での実務的な帰結は1つです。テストのあとは、誤りの数で止まらず、誤りの中身を読むこと。誤りがどこに落ちたかは、いくつあったかより重要です。
正規化：同じモデルにスコアが2つある理由
集計の前に、正解文と認識結果の両方が正規化されます。小文字に揃え、句読点を取り除き、数字・短縮形・綴りを統一します。「twenty six」は「26」に対して誤りでしょうか。「it’s」は「it is」に対して、「colour」は「color」に対してどうでしょうか。評価はそれぞれ独自のルールでこれに答え、そのルールがスコアを動かします。
OpenAIはこれを重要とみなし、専用のテキスト正規化器をWhisperと併せて公開したうえで、Whisperの論文の付録を1つ割いて、正規化の選択が測定されるWERをどう変えるかを示しています。LibriSpeechのようなベンチマークでは、正規化の違いだけでモデルの公表値が1ポイント以上動きます。多くの直接比較の記事が「発見した」と主張する差と、ほぼ同じ大きさです。
このブログで繰り返してきた注意、直近ではApple SpeechAnalyzerの比較記事で書いた注意の理由もここにあります。別々に公表された2つの評価のWERは、おおまかな文脈であって判定ではありません。きれいに比較できるのは、同じ実行・同じ音声・同じ正規化器で採点された2つのシステムだけです。
WERはテストセットと切り離せない
最も引用される音声ベンチマークのLibriSpeechは、パブリックドメインのオーディオブックから作られており、名前がすべてを語る2つの部分に分かれています。test-clean（クリアな録音、聞き取りやすい話者）とtest-other（残りの難しい部分）です。同じコーパスの2条件で、どのモデルも後者のほうが目に見えて悪くなります。この構造はWERの教訓の縮図です。音声は数値の一部なのです。
Whisperの大型モデルの公表値は、同じことをフルスケールで示します。クリーンな単一話者の朗読音声ではおよそ2〜3%。Open ASR Leaderboardで多様な実環境の英語テストセット8種を平均すると約7.4%。マイクが遠く発話が重なる会議録音ではおよそ16%。ヒンディー語のような低リソース言語では、公表値は27%前後です。同じ重みのまま、1桁分の開きがあります。このはしごはWhisperの精度はどれくらいかで1段ずつたどりました。
NISTが20年以上続けた音声認識評価の歴史。朗読音声、放送ニュース、電話会話、会議音声はそれぞれ別の曲線を描き、1つの数字には収束しません。出典：
NIST Rich Transcription評価
（パブリックドメイン）
テストセットには別の罠が隠れていることもあります。どのモデルが測られたのか、です。2026年に話題になった、Appleの新エンジンがWhisperに勝ったと伝えたベンチマークが実際に測っていたのはWhisper Smallでした。オンデバイスアプリが実際に動かすモデルより何段も小さいサイズです。見出しの数値は本物でしたが、比較は本物ではありませんでした。
「単語」が通用しなくなるとき：日本語とCER
WERは、文を見れば単語に区切れることを前提にしています。日本語と中国語は分かち書きをしないため、「この文は何語なのか」自体がモデリング上の判断になります。トークナイザが2つあれば語数も2つになり、誤り率はその不一致をそのまま引き継ぎます。そこで、これらの言語の評価は文字誤り率（CER）に切り替わります。置換・脱落・挿入という同じ算術を、単語ではなく文字ごとに適用したものです。OpenAI自身のWhisper Large V3モデルカードも、日本語・中国語・韓国語・タイ語などについてはWERではなくCERを報告しています。
OpenAIが公開したWhisper large-v3とlarge-v2の言語別誤り率（Common Voice 15、FLEURS）。斜体の言語（韓国語、日本語、中国語、広東語、タイ語）はCER、それ以外はWERで採点されています。出典：
OpenAI Whisperリポジトリ
（MITライセンス）
韓国語は示唆に富む中間例です。分かち書きはあるものの、助詞が直前の語に付き、意味を変えない分かち書きの揺れが語の境界を動かします。単語単位の集計では、読み手なら誤りと呼ばない違いまで罰してしまうため、韓国語でも文字単位の採点のほうが安定します。
実務的な注意はこうです。CERの5%とWERの5%は同じ主張ではありません。同じ出力なら、文字単位のスコアは単語単位より数値が小さく出ます。1語の誤りの中にも、正しい文字はたいてい何文字か残っているからです。2つの指標を黙って混ぜた多言語の精度表は（実際よくあります）、その表の行同士すら比較できません。これは私たちに直接関わる話です。LoroNoteは端末上で100以上の言語を文字起こしします。「自分の言語ではどれくらい正確か」という問いは、自分の言語がそもそもどちらの指標で測られているかを知って、初めて答えられるのです。
自分のWERを10分で測る
ここまでの数値はすべて、他人の音声で測られたものです。あなたの疑問に答えるテストはあなたの音声の上で走ります。必要な道具はテキストエディタだけです。
- 代表的な音声を2分ほど録音します。 いつも録音する部屋といつものマイク距離で、いつもの言語で、実際に出てくる固有名詞と専門用語を入れます。テストの正直さは、サンプルの正直さまでです。
- 評価したいアプリで文字起こしします。
- 数える前にルールを決めます。 全員が飛ばすステップであり、先ほどの正規化問題の縮図です。句読点と大文字小文字は無視する、数字の表記はどちらかに揃える、フィラーを数えるかどうかを先に決める。ルールは何でも構いません。出力を見る前に固定し、2つ目のアプリを試すときも同じルールを使うことだけが条件です。
- 200語分の区間を採点します。 実際に話した内容と突き合わせ、置換・脱落・挿入をすべて数えて200で割ります。それがあなたのWERです。あなたの音声に完全に似た、唯一のテストセットで測った値です。日本語の録音なら、単語ではなく文字で数えて文字数で割ります。前述のCERです。数え方は同じで、単位が違うだけです。
- そのうえで誤りを読みます。 崩れたフィラーがいくつかと、崩れたクライアント名がいくつかは、スコアは同じでも取るべき対応がまったく違います。繰り返し失敗する固有名詞があるなら、その問題には決まった対策があります。LoroNoteのカスタム辞書に一度登録すれば、モデルは推測をやめます。
LoroNoteは端末上で文字起こしし、すべての録音の最初の2分は無料です。この実験全体が無料で完結し、機内モードのままでも動き、録音は終始iPhoneの中に留まります。
よくある質問
単語誤り率はどう計算しますか
3種類の誤り、つまり置換・脱落・挿入を合計し、実際に話された語数で割ります。WER = (S + D + I) / N です。Nは正解文（話された内容）の語数であって認識結果の語数ではないため、挿入が多いとWERは100%を超えることがあります。
良いWERはどれくらいですか
完全に音声しだいです。クリーンで口元にマイクがある単一話者の音声なら、現行の大型モデルは2〜3%に達し、実用上の上限に近い水準です。多様な実環境の英語音声なら、1桁台半ばから10%程度で十分強い成績です。マイクが遠く発話が重なる会議では、旗艦モデルでも16%前後になります。「良いWER」とは、自分の音声に似た音声で測られたWERのことです。会議用途の質問にクリーン朗読の数値で答えるベンダーは、別の質問に答えています。
WERが100%を超えることはありますか
あります。挿入は話された語数に制限されません。テキストを作り出すモデル、たとえば無音区間で文をハルシネーションするモデルは、正解文の語数より多くの誤りを積み上げられます。100%を超えるWERは、聞き間違いではなく挿入の問題をほぼ確実に示しています。
同じモデルなのに評価によってWERが違うのはなぜですか
理由はたいてい2つ重なっています。テスト音声が違うこと、そしてテキスト正規化が違うことです。句読点・大文字小文字・数字・短縮形を集計前にどう揃えるかというルールだけで、LibriSpeechの公表値は1ポイント以上動きます。きれいに比較できるのは、同じ評価の同じ実行で採点されたシステム同士だけです。
WERはどの言語にも適切な指標ですか
いいえ。日本語や中国語のように分かち書きをしない言語では単語の境界が曖昧になるため、評価には文字誤り率（CER）が使われます。韓国語も文字単位の採点のほうが安定します。CERは同じ出力でもWERより数値が小さく出るため、両者を直接比較してはいけません。
WERは話者の識別も測っていますか
いいえ。WERが採点するのは語だけです。語を正しい人に帰属させるのは話者分離という別の工程で、独自の誤り指標があります。WERが低いのに、すべての発言が別人に割り当てられた文字起こしはあり得ます。話者分離の仕組みで、そのもう半分の問題を扱っています。
まとめ：単語誤り率という数値の読み方
単語誤り率は、音声認識で最も有用な数値であり、最も誤用しやすい数値でもあります。式そのものは正直です。3種類の誤りを、話された語数で割るだけです。しかし公表される数値には、静かな同乗者が必ず付いてきます。測定に使われたテストセット、テキストを整えた正規化器、そして言語が分かち書きをやめた瞬間に起きるWERからCERへの指標の切り替えです。この3つの問いを添えて読めば、WERは本当に役に立つ数値になります。さらに良いのは、自分の音声で10分かけて1つ測ってみることです。公開されているどのベンチマークも、それにはかないません。
出典
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision：Whisperの論文。付録Cがテキスト正規化器と、それが測定WERに与える影響を扱っています
- OpenAI, whisper-large-v3モデルカード：言語別の数値。言語によってWERまたはCERで報告されています
- Open ASR Leaderboard：複数ベンチマークの英語平均とAMI会議音声の数値
- LibriSpeech ASRコーパス：test-clean / test-otherの分割
- LoroNote, Whisperの精度はどれくらいか：上記の公表値を、測定条件と併せて整理
数値は2026年8月26日にリンク先の出典と照合しました。