単語誤り率2.2〜4.5%の差｜文字起こしAIで商品名を正しく拾う3手順

齋藤竹紘2026年7月29日2026年7月29日AIニュース

文字起こしAIの精度差は、上位勢で単語誤り率2.2%から4.5%の範囲に収まっています。

OpenAIが新しい音声文字起こしモデル gpt-transcribe を提供し、Artificial Analysis の非ストリーミング部門で単語誤り率3.3%、音声1,000分あたり4.50ドルという結果が出ました。前身より精度は上がり価格は下がりましたが、首位ではありません。EC事業者にとって重要なのは順位そのものよりも、自社の商品名や型番が正しく文字になるかどうかです。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。

単語誤り率3.3%で9位、価格は前世代から25%下がりました

結論から書くと、gpt-transcribe は精度で中位、価格で中位という位置づけです。Artificial Analysis の指標 AA-WER で3.31%を記録し、同社の投稿によれば全体で9位です。前身の GPT-4o Transcribe は4.0%・1,000分あたり6.00ドルでしたので、精度は0.7ポイント改善し、価格は25%下がった計算になります。

上位を見ると、首位は ElevenLabs の Scribe v2 で2.2%、価格は3.67ドルです。以下、Smallest.ai の Pulse Pro が2.4%、Microsoft の MAI-Transcribe-1 が2.6%、Google の Gemini 3.1 Pro Preview（High）と Mistral の Voxtral Small がともに2.8%と続きます。Voxtral Small はオープンウェイトのなかで最も精度が高いモデルです。一方で Gemini 3.1 Pro Preview（High）は1,000分あたり18.15ドルと、gpt-transcribe の4倍の価格です。精度が高いモデルほど安いとは限らない点は、導入判断で響いてきます。

速度も見ておく必要があります。gpt-transcribe の Speed Factor は33.2で、音声1秒あたり33秒分を処理できる計算です。これに対し Together AI 経由の Parakeet TDT 0.6B V3 は893.1と桁違いに速く、価格も1,000分あたり1.50ドルです。精度・速度・価格の3つは、どれかを取ればどれかを諦める関係になっています。

なお AA-WER v2 は、AA-AgentTalk を50%、VoxPopuli-Cleaned-AA と Earnings22-Cleaned-AA をそれぞれ25%の重みで、合計約8時間の音声から算出した指標です。3月時点のランキングを報じた The Decoder の記事では Scribe v2 が2.3%でしたので、数字は継続的に更新されています。

EC事業者が見るべきは順位ではなく、固有名詞の誤変換です

日本のEC事業者にとって、この0.5ポイント前後の差はそのまま業務価値の差にはなりません。理由は単純で、店舗の音声に出てくる言葉の多くが、ベンチマークには一切登場しない固有名詞だからです。型番、ブランド名、社内の略称、サイズ表記。ここを外すと、いくら全体の誤り率が低くても後工程の手直しが消えません。

その意味で今回の更新で実務的に効いてくるのは、順位よりも入力の仕組みのほうです。OpenAIのモデルドキュメントには、gpt-transcribe が文脈情報、キーワードのヒント、複数の言語ヒントを受け付けると明記されています。録音の場面や話題を説明する短い文章に加えて、音声に出てくる固有名詞をあらかじめリストで渡し、日本語と英語が混ざる会話にも言語のヒントを複数与えられる、という設計です。商品名が英数字と日本語のカタカナで混在するEC事業者にとっては、この3つ目が特に現実的です。

使いどころは、問い合わせ電話の記録、ライブコマース配信の書き起こし、商品説明動画の字幕、社内の商談メモあたりが中心になります。1,000分は約16.7時間ですので、たとえば1日30分の通話を文字にする運用なら1か月あたり900分前後、4ドル程度の計算になります。この価格帯であれば、費用より運用設計のほうが導入の壁になります。

ひとつ注意点があります。今回の指標に日本語音声の精度がどこまで反映されているかは公開情報から確認できません。日本語の商品名で同じ順位になるとは限らない点は要確認として扱ってください。実際に発生する誤変換は言語と語彙に強く依存します。

明日から動かせる3つの手順

第一に、自社の固有名詞リストを先に作ることをおすすめします。型番、ブランド名、シリーズ名、社内の略称、よく聞き間違えられる商品名を100語ほど書き出しておけば、キーワードのヒントとしてそのまま渡せます。以前に整理した商品名のルールがあるなら、その語彙をそのまま流用できます。

第二に、用途を3つに分けて評価してください。完成した音声ファイルをまとめて処理する用途、接客中にその場で文字にする用途、動画に字幕を載せる用途では、求められるものが精度・速度・価格のどれなのかが変わります。リアルタイム側の設計については音声接客の実装の観点が、対話モデル側の選び方については音声モードの比較が参考になります。

第三に、比較は自社の音声10分で行ってください。ベンチマークの順位ではなく、自店の録音を2〜3のサービスに同じ条件で通し、固有名詞がいくつ正しく出たかを数える。これが最も速く、最も外れない判断材料になります。多言語対応まで視野に入れるなら、翻訳を含む音声活用の整理も合わせて確認しておくとよいでしょう。

まとめ

文字起こしAIの精度は上位勢が2.2%から4.5%の帯に密集し、価格と速度で差がつく段階に入りました。gpt-transcribe は3.3%・1,000分4.50ドルで、キーワードのヒントを渡せる点がEC事業者には実用的です。順位表を追うより、自社の商品名リストを作って自社音声で試すほうが、確実に成果に近づきます。

参考文献

※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/

引用元: Artificial Analysis

【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）

齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。

投稿者: 齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。齋藤竹紘のすべての投稿を表示