数値の文字起こしを修正する:体系的ガイド(2026年版)

文字起こしにおける数値エラーは修正可能ですが、その方法は、3つの根本原因のどれに該当するかによって異なります。 モデルが数値を誤って聞き取ったケース(聞き間違え)。モデルは正しく聞き取ったのに誤って表示したケース(フォーマットエラー)。または、文字起こし全体でフォーマットに一貫性がないケース(スタイルエラー)です。それぞれ解決策が異なり、混同すると時間を無駄にします。

本ガイドでは、各原因とその解決策を、試すべき順番に沿って解説します。

数値が他の単語とは異なる理由で失敗するのはなぜか

AI文字起こしが最も深刻なミスを犯すのが数値というカテゴリです。しかも、そのエラーは特定のパターンとして繰り返し発生します。

「fifteen」と「fifty」の聞き間違えは、数値関連で最も頻繁に発生するミスです。 同じパターンは10台の数と10の倍数の組み合わせ全般に見られます。thirteen/thirty、fourteen/forty、sixteen/sixty、seventeen/seventyなどです。速い話し方や訛りがある場合、これらのペアは音響的な特徴を十分に共有しているため、モデルは音だけでなく文脈に基づいて判断します。前後の文がどちらかの数値を強く示唆していない場合、モデルは推測を行い、時に外れます。

数字の連なりは2つ目の失敗モードを生みます。照会番号として発せられた「Two five seven nine」が、数量としての「2,579」になってしまうのです。「One hundred fifty-two」が「152」になったり、「one hundred, 52」になったりすることもあります。モデルは数字を意味のある数値へとグループ化しようとしていますが、それが電話番号の一部なのか、数量なのか、識別子なのかを常に把握できているわけではありません。

単位の割り当ては3つ目の固有の失敗パターンです。「Five dollars fifty」は、ツールやスマートフォーマットの有無によって、「$5.50」「five-fifty」「5 dollars, 50 cents」のいずれにもなり得ます。数字自体は合っていてもフォーマットが誤っていたり、小数点の位置がずれたりします。

日付と小数の解析が最後の主要なグループです。「May fifteen twenty twenty-six」は、モデルがデフォルトとするフォーマットによって、「May 15, 2026」「5/15/26」「May 15th」のいずれかになります。「Point five」は「.5」「0.5」「five tenths」のどれにもなり得ます。

対策1:スマートフォーマットを有効にする

数値の表示エラーの大半は、スマートフォーマットをオンにするだけで解消されます。 最初に試すべき対策であり、多くのユーザーにとって問題の8割をこれで解決できます。

各主要ツールが実際に提供している機能は以下のとおりです(ベンダーの最新ドキュメントに基づく、2026年7月確認):

Deepgramの smart_format=true が最も明示的です。バッチまたはストリーミングリクエストでこのパラメータを渡すと、英語の場合、通貨記号、AM/PMの時刻、序数の日付を含む発話された数値が数字表記に変換されます。AWS Transcribeは、対応言語に対して設定なしで自動的に適用します。AssemblyAIの format_text はデフォルトでオンになっているため、AssemblyAIから生の出力を受け取っている場合は、無効化されていないか確認してください。

OpenAI Whisperは例外的な存在です。smart_format パラメータは存在しません。出力は文脈に応じて数字と綴りの単語が混在したものになり、ドキュメントではスタイルを制御するために prompt パラメータを使うこと、あるいは一貫性を保つために後処理を行うことが推奨されています。Whisperで一貫した数値表示が必要な場合は、別途対応が必要です。

知っておくべき注意点があります。スマートフォーマットが解決するのは表示の問題であり、聞き間違えではありません。話者が「fifty」と言ったのにモデルが「fifteen」と聞き取った場合、smart_format=true は誤った数値をきれいに「15」と表示します。聞き間違え自体は残ったままです。

対策2:ドメイン固有のエラーへの検索と置換

同じ分野のコンテンツを定期的に文字起こししていると、同じ数値エラーが繰り返し現れます。 司会者がいつも「fifty basis points(50ベーシスポイント)」と言う金融ポッドキャストなら、毎回同じ「15 basis points」という誤りが発生します。置換リストを作成しましょう。

リスト化する価値のある一般的なパターン:

fifteen basis points → 50 basis points  [verify against audio first]
thirteen percent → 13%
two zero two five → 2025
seventy-five thousand → 75,000

この方法には明確な限界があります。検索と置換は文脈を判別できません。「twenty people(20人)」の場合は「twenty」という表記が正しく、金融の文脈では「20 dollars」に対して「20」が適切であることが多いでしょう。「twenty」をすべて「20」に一括置換すると、正しい箇所まで壊れてしまいます。この対策は、ドメイン用語に固有すぎて誤置換が起きにくいエラーに対して使ってください。

対策3:フォーマット一貫性のためのLLM後処理

長い文字起こし全体でフォーマットに一貫性がない場合(日付が3種類の形式で混在している、数値が単語表記と数字表記で一貫した論理なく混ざっているなど)、LLMによる後処理を1回行えば、音声を確認することなく整理できます。

実際に機能するプロンプト:

Read this transcript and fix number formatting for consistency.
Convert quantities to digits ($50, 25%, 1,500, 8:30 AM).
Write out numbers that start a sentence.
Fix obvious impossible numbers if context makes the correction clear.
Do not change any number you are uncertain about.

Transcript:
[paste here]

GPT-4oとClaudeは、この種のフォーマット作業を確実にこなします。重要な限界として、LLMが見られるのはテキストだけです。文字起こしに聞き間違えが含まれている場合、LLMは誤った数値の周りのフォーマットを整えるだけで、聞き間違え自体は修正しません。これは事実確認ではなく、スタイル調整のための手段として使いましょう。

対策4:重要度の高いコンテンツに対する絞り込んだ手動検証

数値の誤りが実際の影響をもたらすコンテンツについては、対象を絞った「聞いて確認する」作業が唯一確実な対策です。

作業手順:

1. スマートフォーマットを有効にした状態で文字起こしを実行します。
2. 文字起こし内のすべての数値を検索します。数字、通貨記号、パーセント、日付をスキャンします。
3. 重要な数値ごとに、音声内の該当タイムスタンプへ移動して確認します。
4. 誤っている箇所を修正します。

数値の言及が10〜15件ある30分の会議でも、所要時間は5〜10分程度です。スマートフォーマットでは修正できない聞き間違えを検出できる唯一のアプローチです。

法的契約書、医療投与量、公開される財務データといった最高レベルの重要コンテンツについては、2人目が独立して同じ確認作業を行う価値があります。

数値カテゴリごとの固有の失敗モード

カテゴリによって失敗の仕方が異なります。どのカテゴリを扱っているのかを把握すれば、適切な対策が見えてきます。

金額と通貨

よくあるエラー:桁の誤り(15対50)、通貨記号の欠落、小数点のずれ(「five fifty」が5.50と550のどちらに解釈されるか)。

対策:まずスマートフォーマット。数値が引用または公開される財務コンテンツについては、手動での検証を行います。

パーセンテージ

よくあるエラー:桁の誤り(3%対30%。トレンドの意味が逆転します)。30%の増加が3%と表示されるのは、些細な不正確さではありません。

対策:スマートフォーマット。変化や割合を表すパーセントは意味が大きく変わるリスクが最も高いため、手動でスキャンします。

日付

よくあるエラー:年の誤り(2025対2026)、同一文字起こし内でのフォーマット不統一(ある段落では「May 15」、別の段落では「5/15」)、序数と基数の違い(「May fifteenth」対「May 15」)。

対策:ほとんどのケースはスマートフォーマットで対応できます。法的・契約上の文脈に含まれる日付は、手動で検証します。

電話番号とID番号

よくあるエラー:数字の入れ替わり、数字の欠落、グループ化の誤り(555-1234のところを555-12-34とする)。

対策:手動検証が必須です。電話番号や識別子は特殊性が高すぎて、自動修正を信用できません。文脈からの照合も不可能です。

数量と計測値

よくあるエラー:桁の誤り(「2 grams」対「20 grams」)、正しい数値に誤った単位が付く(話者が「50 millimeters」と言ったのに「50 meters」になる)。

対策:表示面ではスマートフォーマットが役立ちます。技術系コンテンツ(医療、科学、工学)では、すべての計測値を重要度の高い財務データと同様に扱い、音声を聞いて検証します。

比率と範囲

よくあるエラー:範囲の端点の入れ替わり、比率の向きの逆転(「two to one」対「one to two」)。

対策:各比率と範囲を音声と突き合わせて読みます。これらは意味的に反転可能であり、文脈が常に曖昧さを解消してくれるわけではありません。

時刻

よくあるエラー:12時間制と24時間制の混同、AM/PMの欠落、「o'clock」の脱落。

対策:ほとんどはスマートフォーマットで対応できます。正確な時刻が議題項目に対応する会議の文字起こしでは、重要な時刻を検証します。

数値の多いコンテンツ向けワークフロー

財務報告書、技術講義、決算説明会、臨床記録などを定期的に文字起こしする方は、次の手順に従ってください。

1. スマートフォーマットがデフォルトで有効、または明示的なパラメータで有効化できるツールを使います。
2. 文字起こし後に、数値のみに絞った確認を行います。数字を検索し、意味を持つものを検証します。
3. コンテンツ全体で繰り返し発生するエラーのために、ドメイン固有の置換リストを管理します。
4. 公開物や法務関連のコンテンツでは、引用される数値について2人目による検証ステップを組み込みます。

これにより、すべての単語を再検証することなく、純粋な自動化では見逃される部分を補えます。

人間による文字起こしへの切り替えを検討すべきとき

一部のコンテンツには、絶対に誤ってはならない数値が含まれます。規制提出書類、臨床試験データ、法的尋問記録、不動産契約書などです。

こうしたコンテンツには、AI文字起こしを一次パスとし、すべての数値を音声と突き合わせて慎重に手動レビューし、最も重要な箇所については専門サービスによる人間の文字起こしを任意で組み合わせるという実践的な構成が有効です。AIと人間の文字起こしの記事では、この切り替えが経済的に合理的になる状況を解説しています。

数値以外のより広範な精度の問題にも直面している場合は、文字起こし精度の低下の修正の記事で全体像を解説しています。数値は特定のサブ問題であり、一般的な精度改善策とは別のものです。

会議ボットやアカウント登録なしに、きれいな一次文字起こしが必要なだけであれば、ConvertAudioToTextがおすすめです。デフォルトでスマートフォーマットを適用し、アップロードまたはURLから直接動作するため、単発の検証作業に便利です。

FAQ

話者が「fifty」と言ったのに、文字起こしが「fifteen」になるのはなぜですか?

この2つの単語は音響的な特徴を共有しています。特に速い話し方や訛りのある発音では、強勢される音節の位置は異なるものの、どちらも /f/ の子音で始まり、母音も似ています。AIモデルは音響的な確率と周囲の文脈に基づいてどちらかを選びます。周囲の文脈が一方の数値を強く示唆していない場合、モデルはある確率で誤って推測します。実用的な対策としては、スマートフォーマットを有効化することと、重要な数値については音声を聞きながら確認する作業を行うことです。

スマートフォーマットを有効にすれば、すべての数値エラーが解決しますか?

いいえ。スマートフォーマットが対応するのは表記の一貫性です。「fifty thousand dollars」を「$50,000」に変換するのは、モデルが正しい単語を聞き取れた場合に確実に機能します。聞き間違え自体は修正できません。話者が「fifty」と言ったのにモデルが「fifteen」と聞き取った場合、スマートフォーマットは誤った数値をきれいに整形して出力するだけです。重要度の高い数値については、依然として手動での確認が必要です。

数値の修正には、LLM後処理と手動修正のどちらを使うべきですか?

長い文字起こし全体のフォーマット一貫性の問題には、LLM後処理を使います。日付形式の不統一、数字表記と単語表記の混在、文脈から明らかに誤りだとわかる数値などです。正確な数値が重要で、誤りが実際の影響をもたらす場合(財務データ、投与量、法務上の金額、技術仕様など)には、手動修正を使います。LLMは文字起こしテキストしか扱えず、音声を参照できないため、聞き間違えを解決することはできません。

デフォルト状態で数値処理に最も優れている文字起こしツールはどれですか?

英語に関しては、smart_format=true を設定したDeepgramが最も強力です。数字、通貨、日付、電話番号、時刻を1つの設定で処理できます。AWS Transcribeは対応言語に対して追加パラメータなしで数値の正規化を自動適用します。AssemblyAIは format_text=true がデフォルトで有効になっており、数値の整形も良好に処理します。OpenAI Whisperには数値フォーマット専用のパラメータがなく、出力は文脈に応じて数字と単語が混在したものになります。一貫性のためには後処理が推奨される解決策です。

出典

• Deepgram Smart Formatドキュメント
• Deepgram Numeralsドキュメント
• AWS Transcribe:数値と句読点の文字起こし
• AssemblyAI APIリファレンス:transcript submit
• OpenAI音声認識ガイド