ElevenLabs Scribeの文字起こし精度を検証：固有名詞・数字の認識

👁 119閲覧数

ElevenLabs Scribeは、90以上の言語に対応し、話者を識別して音声イベントも記録できる音声認識モデルです。音声認識の性能を確かめるため、難しい姓や地名、13個の数字を含む1分間のインタビューを用意し、Scribeの3種類の設定とローカル環境のWhisperで誤りを数えました。カフェ、道路、扇風機のノイズを加えた音声でもテストしています。22分間の音声を使ったWhisper単独の追加テストは、Whisperのガイドで紹介しています。

01ElevenLabs Dubbingの使い方と料金、v1・v2を比較テスト24秒の英語クリップを使い、ElevenLabs Dubbing v1・v2の翻訳、処理時間、クレジット消費、声の類似度を比較しました。読む →02ElevenLabs Agentsのボイスボットを検証：応答速度・精度・料金ElevenLabs Agentsで歯科医院の受付ボイスボットを作成。実通話とシミュレーションで、応答速度・認識精度・料金を検証しました。読む →03ElevenLabsのAI音声クローン：10秒・2分の音声で精度を比較ElevenLabsで10秒、30秒、2分の音声からクローンを作成。元の声との類似度や文字起こし結果、料金、利用時の注意点を紹介します。読む →

Scribeでできること

• モデル：ファイル用のScribe v2、ライブ音声用のScribe v2 Realtime（ドキュメントによると遅延は約150ミリ秒）、臨床音声用のScribe v2 Medicalがあります。旧モデルのScribe v1は廃止予定と記載されています。
• ポーランド語：ドキュメントでは「Excellent」のグループに分類され、単語誤り率（WER）は最大5%とされています。
• 機能：最大32人の話者識別、単語ごとのタイムスタンプ、音声イベントの括弧付き記録、最大1000件の単語候補、個人情報の検出とマスキング、字幕への書き出し、自然言語の指示による文字起こしの編集。
• 上限：ファイルは最大5 GB、最長10時間です。ファイルの代わりにリンクを指定することもでき、YouTubeやTikTokの動画にも対応します。

テスト内容：難しい単語を含むインタビュー

テスト音声は実在の人物を使わず、自分で作成しました。ElevenLabsの2つの合成音声（女性のMatildaと男性のBrian）が、Eleven v4で架空の「シチェブジェシンのカブトムシ博物館」開館インタビューを読み上げています。長さは66秒、112語で、金額、割合、時刻、道路番号など13個の数字と、グジェンジンスカ、ジュウォトフスキ＝ブジェンチシチキェヴィチ、キュリー＝スクウォドフスカ、ヴィエプシュ、ザモシチ、ジュルドラナ通りといった、文字起こしを間違えやすい固有名詞を含みます。

2026年9月28日、ポーランド語を指定し、話者識別を有効にしたScribe v2で3種類の設定を試しました。比較対象にはWhisper large-v3（faster-whisper、プロセッサー上でint8）を使いました。

判断が分かれる箇所が1つあります。台本は「ザモシチから（ポーランド語原文の翻訳）」でしたが、Scribeは「ザモシチから（ポーランド語原文の翻訳）」と記録しました。Whisperはそこを「ポーランド語原テストの文字化け表記」と認識しているため、音声ではおそらくそのように発音されていたのでしょう。この箇所はScribeの誤りには数えていません。ジュウォトフスキ＝ブジェンチシチキェヴィチの姓は格変化した形も正確に記録し、グジェンジンスカ、シチェブジェシン、キュリー＝スクウォドフスカも正しく書き起こしました。

数字は単語と数字、どちらで表記される？

初期設定では、Scribeは聞こえたとおりに数字を単語で表記します。たとえば「三百四十八万」「十八と50分の1」「9時30分」のような形式です。冒頭の日付だけは数字で表記されました。メモや字幕には扱いにくいため、transcript_editパラメーターに次の指示を加えました。以下は、実際のテストに使ったポーランド語の指示文を日本語に訳したものです。日本語で再テストしたものではありません。

【ポーランド語で行ったテスト指示の翻訳】
すべての数字、金額、日付、時刻、番号を数字で表記してください。
例：18.50、9:30、1250。それ以外は何も変更しないでください。

結果は「3 480 000」「62%」「18.50」「22 km」「県道858号線」「9:30」となり、残りのテキストは変更されませんでした。編集後の文章は、元の文章と並んで別のedited_transcriptフィールドに返されます。この設定ではクレジットを34ではなく44使いました。

Keytermsが逆効果になることも

単語候補は固有名詞の認識を助ける機能です。今回は、基本形の単語を7件登録し、その中に「ジュウォトフスキ＝ブジェンチシチキェヴィチ」も含めました。すると、「クリシュトフ・ジュウォトフスキ＝ブジェンチシチキェヴィチ氏と」という文の中で、モデルは姓の語尾を落とし、「ジュウォトフスキ」と記録しました。候補を指定しない場合は正しく記録されています。ポーランド語の場合、登録語彙機能は格変化する姓ではなく、変化しない名前（ブランド、略語、製品名など）に使うのがよさそうです。登録語彙機能には別途、1時間あたり0.05 USDの料金がかかります。

背景ノイズがある音声の認識

Voice Isolatorのテストでは、25秒、66語の合成音声による独白に、扇風機、道路、カフェのノイズをそれぞれ加えました。いずれも音声と同程度の大きさです。Scribeは3種類すべてを誤りなく文字起こししました。カフェの話し声が音声より5 dB大きい場合に限り、66語中9語（13.6%）を誤認しました。興味深いことに、Voice Isolatorで事前にノイズを除去した音声のほうが、未処理の音声より誤りが増えました。文字起こし前に音声をクリーニングしないほうがよさそうです。

ScribeとWhisperを比較

これは私個人の見解です。音声をクラウドに送れるなら、固有名詞の認識精度、話者識別、処理速度でScribeが優位です。音声をコンピューターの外に出せない場合や、数百時間分を文字起こしするためコストをゼロにしたい場合はWhisperが選択肢になります。ローカルモデルの比較はWhisper AIの記事で、ほかのツールは文字起こしのガイドで紹介しています。

Scribeで音声を文字起こしする方法

アプリでは「Speech to Text」を開き、ファイルをアップロードするかリンクを貼り付け、言語をポーランド語に設定して話者識別を有効にします。自動検出も機能しますが、言語を手動で指定すれば設定上のリスクを1つ減らせます。完成した文字起こしは、字幕などの形式でダウンロードできます。以下は、2026年9月28日にテストしたAPIの例です。

curl -X POST https://api.elevenlabs.io/v1/speech-to-text \
  -H "xi-api-key: $ELEVENLABS_API_KEY" \
  -F model_id=scribe_v2 -F language_code=pl -F diarize=true \
  -F "transcript_edit=すべての数字、金額、日付、時刻を数字で表記してください。" \
  -F file=@nagranie.wav

ElevenLabs Scribeの料金

APIレスポンスのヘッダーには費用が表示されます。1分間のインタビューでは34クレジット、0.0041 USDでした。数字の編集を加えた場合は44クレジット、0.0053 USDです。文字起こしは無料プランでも利用できます。プランについてはElevenLabsの料金の記事で、ほかの機能についてはElevenLabsガイドで紹介しています。

よくある質問

ElevenLabs Scribeはポーランド語を正確に認識しますか？

今回のテストでは、難しい姓と13個の数字を含む112語のインタビューを、内容の誤りなしで文字起こししました。ドキュメントでは、ポーランド語の単語誤り率は最大5%とされています。

ElevenLabsの文字起こし料金はいくらですか？

Scribe v2のAPI料金は、税抜きで録音1時間あたり0.22 USDです。今回の1分間の録音では34クレジットを使いました。

Scribeで数字を数字表記にするには？

transcript_editパラメーターに「すべての数字、金額、日付、時刻を数字で表記してください」と指示します。編集後の文章はedited_transcriptフィールドに返され、追加料金がかかります。

Scribeは話者を識別できますか？

はい。diarizeを有効にすると、最大32人の話者を区別します。今回のインタビューでは、6つすべての発話を正しい話者に割り当てました。

ScribeはWhisperより優れていますか？

今回の録音では、Scribeは固有名詞を誤認せず、Whisper large-v3は2件間違えました。また、プロセッサー上でのWhisperの処理時間はScribeの約30倍でした。一方、Whisperはローカルで動作し、料金がかかりません。

// 続きを読むWan 2.2をRTX 4090で実測：生成時間・VRAMと4本の作例ベンチマークGemma 4 12BなどローカルAI 7モデルを比較、RTX 4090で検証ベンチマークMidjourney V8.2とGemini Nano Bananaを比較、どちらを選ぶ？【2026年】ベンチマーク