Catt

iPhone・Androidで録音して文字起こし。同じアカウントで使えます。

入手
漢字対応の日本語文字起こし、2026年版ガイド
transcriptionjapanesekanjilanguages

漢字対応の日本語文字起こし、2026年版ガイド

BMBello MoussaMay 26, 2026Updated July 2, 20262 min read

Summarize this article with:

ChatGPTClaudePerplexityGrok
TL;DR

日本語の文字起こしは見た目よりずっと難しい。理由は表記体系そのものにある。正しい文字起こしは漢字、ひらがな、カタカナを適切な場所で使い分け、文脈で同音異義語を処理し、社会的な意味を持つ敬語の動詞形を保つ。Whisper Large-v3、Deepgram Nova-3、AssemblyAI Universal-3 Proといった最新モデルは、どれも日本語の混在表記出力に対応している。関西弁や他の地域方言は、東京標準語に比べて精度が目に見えて落ちる。

日本語の音声は、3つの文字体系に同時に書き起こされます。この3つを正しく使い分けることが、実用的な文字起こしと読める文字起こしを分ける境界線です。 話し手が「kyou wa hareru deshou」と言った場合、正しい書き言葉は「今日は晴れるでしょう」であり、「きょうはれるでしょう」ではありません。どちらも同じ音を表していますが、実際の日本語の書き方に沿っているのは片方だけです。

日本語の文字起こしは漢字とかなを混在させて出力します。翻訳は別のステップです日本語の文字起こしは漢字とかなを混在させて出力します。翻訳は別のステップです

この記事では、2026年時点でAIが日本語の文字起こしにおいて、文字体系のレイヤー、文体のレイヤー、方言のレイヤーをどう扱っているのか、そしてツールを選ぶ際に注目すべきポイントを解説します。

3つの文字体系の問題

日本語は、3つの文字体系が共存して書かれます。

  • 漢字は中国由来の文字で、内容語、地名、動詞に使われます（共有する、東京、行く）。
  • ひらがなは、文法上の語尾、助詞、機能語を担います（は、が、です、ている）。
  • カタカナは、外来語や外国の固有名詞に使われます（マーケティング、アジェンダ、コーヒー）。

正しい文字起こしは、この3つを適切な場所で使い分けます。すべてひらがなの文字起こしは、英語で大文字や句読点を一切使わずに書くのと同じで、技術的には解読できても、実用には耐えません。

古い、あるいは軽量な音声認識システムは、すべてひらがなやカタカナで出力することがあります。これは初期のクラウドAPIでよく見られ、今でもWhisperの小型モデル（tiny、base）で発生します。Whisper Large-v3、Deepgram Nova-3、AssemblyAI Universal-3 Proは、2026年時点でいずれも標準的な混在表記の日本語を出力します。 これは各社の公開言語ドキュメントで確認済みです。

スペースのない世界とトークン化のレイヤー

英語は単語がスペースで区切られます。日本語はそうではありません。「今日は東京に行きます」という文には、テキスト上で単語の境界が示されていません。AIが正しい漢字を出力する前に、連続する音素の流れを正しい形態素に分割し、そこに正しい書き言葉を割り当てる必要があります。

現代のエンドツーエンドモデルはこれを暗黙に処理しますが、日本語のASRエラーが英語のエラーと異なって見える理由を説明しています。英語の間違いは、ある単語を別の単語に置き換えます。日本語の間違いは、よくありそうな文字列を生成しますが、それは誤った漢字、意味が異なる本物の単語、または言語に存在しない組み合わせのいずれかです。

同音異義語の曖昧さ解消: 最も難しいサブ問題

日本語には多くの同音異義語があります。つまり、発音は同じでも、異なる漢字で書かれ、異なる意味を持つ言葉です。「kikan」という言葉は、期間（時間の範囲）、機関（エンジンや組織）、器官（身体の一部）、帰還（戻ること）などになります。話者の意図は文脈から明らかです。AIはその文脈を使って正しい漢字を選ぶ必要があります。

大規模モデルは、一般的な同音異義語のほとんどを正しく解決します。 Whisper Large-v3は、同じ入力に対してWhisper Smallが生じる同音異義語エラーを修正します。失敗のパターンは、技術用語、珍しい複合語、固有名詞（特に日本語の姓で、同じ漢字が複数の読み方を持つ場合）に絞られます。

実用的な修正方法: 文字起こしの前に、ドメイン固有の用語と固有名詞の用語集を提供します。ほとんどのプロフェッショナルツールは、語彙ヒントやプロンプト入力をサポートしており、繰り返し出現する専門用語に対してモデルを正しい漢字へ導きます。

モデルサイズが日本語のような言語にとって重要である理由をより深く知りたい場合は、文字起こし精度の要因の議論を参照してください。

音読み、訓読み、多音性

ほとんどの漢字には少なくとも2つの読み方がある。音読み（中国語由来の発音で、主に複合語で使われる）と訓読み（日本語本来の発音で、漢字が単独で使われるか、ひらがなの語尾と一緒に使われる場合が多い）だ。漢字「水」は、水曜日では「すい」と読み、単独で水を意味するときは「みず」と読む。文脈が通常は読み方を一意に決めるが、最も曖昧な文字（研究者によると、文脈依存の読み方が本当に存在するものは数百字ある）では、大規模モデルでも時々間違った方を選ぶことがある。

これは同音異義語とは別の問題だ。ここでは音も書き方も正しいのに、モデルが文脈に合わない文字を生成してしまう。こうした誤りは現代の大規模モデルでは比較的まれだが、訓練データが薄い低リソースの漢字複合語や人名では、まだ頻度が高い。

敬語: 丁寧さの層

日本語には、ビジネスやフォーマルな場で使われる3つの敬語レジスターがある。

  • 尊敬語 は動作の主体（相手が重要なことをする場合）を高める。「来ます」の代わりに「いらっしゃいます」。
  • 謙譲語 は話し手を低くする（話し手が相手のために謙虚に何かをする）。「します」の代わりに「いたします」。
  • 丁寧語 は、ほとんどのビジネス会話で使われる標準的な丁寧な形。「です」と「ます」の語尾。

日本のビジネスミーティングでは、話し手の上下関係と説明している動作に応じて、この3つをすべて使い分ける。これにより、日本語のフォーマルな音声は、同じ話題でも英語の同等のものより語彙のバリエーションが豊かになる。

AI文字起こしは、話し手が発した言葉を正確に保持することで敬語を守ります。 モデルが「いらっしゃいます」を「来ます」に平準化することはありません。リスクがあるとすれば、ノイズの多い音声や馴染みのない文脈で動詞の形を誤認識することであり、よりくだけた同等表現に置き換えることではありません。標準的な丁寧語（ていねいご）は、主要な3つのエンジンすべてで確実に処理されます。高度に格式ばった儀式的なスピーチ、学術的な儀礼言語、または一部の地域方言における複雑な尊敬語の構文では、時折エラーが発生することがあり、軽い編集レビューが有効です。

日本のビジネスにとってこれは重要です。なぜなら、日本企業文化で期待される正式な議事録（ぎじろく）は、法的文書に準ずる位置づけだからです。敬語の層を平準化した文字起こしは、日本語の読者が誰が誰に対して敬意を払っていたかを理解するために語彙選択から読み取る情報を失ってしまいます。

カタカナ外来語とインラインのラテン文字混在

日本のビジネスやテクノロジー関連の音声は、ネイティブ日本語と外来語や略語を常に混在させます。これらの正しい表記形式は、予測可能なルールに従います：

  • 英語由来の単語はカタカナになります：「marketing」は「マーケティング」、「agenda」は「アジェンダ」に。
  • インラインのラテン文字略語はそのままラテン文字で残ります：OKR、KPI、SaaS、PR。
  • 一部の用語は両方の体系を行き来します（「マーケター」と「marketing manager」、実際には両方が使われます）。

日本のビジネス音声向けに正しく機能する文字起こしエンジンは、認識された外来語にはカタカナを生成し、略語にはラテン文字を保持します。すべてをかなに音訳するエンジンや、外来語を英語に戻すエンジンは、標準的でない出力を生み出します。

私の見解：カタカナ処理は、日本語文字起こしツールの最も明確なクイックテストの1つです。テック系スタートアップの会議を30秒アップロードして、「platform」が「プラットフォーム」として返ってくるか、それとも非標準的な形になるかを確認してください。ほとんどの大規模モデルツールはこのテストに合格します。小規模または古いAPIは合格しません。

句読点：全角か、それとも間違いか

日本語は西洋のテキストとは異なる句読点文字を使用します：

  • 、（読点）はコンマです。
  • 。（句点）はピリオドです。
  • 「」は会話の引用符です。
  • 『』は入れ子の引用やタイトルに使います。

「今日は晴れです, 散歩しました。」のように欧米式のコンマやピリオドが混ざった文字起こしは、日本語の組版基準では不正確です。元々の縦書き伝統（縦書き、テキストが列で上から下に流れる形式）では、これらの文字も横書きとは回転や配置が異なりますが、デジタルの文字起こしのほとんどは横書き形式（横書き）で出力されます。

対応がしっかりしたエンジンは、言語設定が日本語になっていれば、自動的に正しい全角日本語句読点を生成します。出力に欧米式の句読点が混ざっている場合は、モデルの限界を疑う前に、言語選択設定を確認してください。

方言の正確さ

日本語には顕著な地域方言のバリエーションがあります。エンジンは主に標準東京日本語（NHKの放送やほとんどの公式メディアで使われる方言）で訓練されています。

標準東京日本語とNHK風の公式な話し言葉は、主要なエンジンすべてで最も正確に文字起こしされます。関西弁（大阪、京都、神戸）は、東京標準とは異なる明確なピッチアクセントパターンと語彙を持ち、標準日本語に比べて精度が落ちます。東北や九州の方言はさらに課題が大きいです。現在、主要な国際エンジンのいずれも、日本の地域方言向けの方言別モデルを提供していません。

強い関西弁のコンテンツでは、東京標準の講義やビジネスミーティングよりも編集時間を多めに見積もってください。核となる漢字や文法構造は概ね正しく出ますが、誤りは方言特有の語彙と、AIの訓練データが薄いピッチアクセント由来の音素境界に集中します。

日本語を実際にしっかりサポートしているエンジン（2026年）

2026年半ば時点で、3つのエンジンが日本語サポートを文書化し、適切な混在スクリプト出力を実現しています。

Whisper Large-v3（OpenAI）:オープンソースおよびホスティング環境で、日本語文字起こしに最も広く使われているモデルです。混在する日本語表記を正しく出力します。ただし、モデルサイズが小さいバージョン（base、small、medium）では、同音異義語の誤認識率が上がることが知られています。API呼び出し時に言語ヒントが必要で、これがないと自動検出が遅くなります。コストの文脈については、Whisperの料金とモデル比較をご覧ください。

Deepgram Nova-3:日本語はNova-3の多言語モデルに含まれています。Deepgramの公開ドキュメントによると、Nova-3はかな、漢字、外来語の発音の混在を処理し、日本語特有の音節リズムも追跡します。language=jaを指定して、nova-3の汎用エンドポイントから利用できます。

AssemblyAI Universal-3 Pro:非同期文字起こしで日本語に対応し、話者分離も検証済みです（日本語の話者分離は、中国語、ヒンディー語、韓国語、ベトナム語と同時に追加されました）。Universal-3 Proモデルは99言語をカバーします。日本語のリアルタイムストリーミング対応は、2026年半ば時点で非同期よりも限定的です。より完全なエンジン比較は、最高の音声認識APIをご覧ください。

3つとも、カタカナ外来語、日本語の句読点、敬語の動詞形を正しく処理します。珍しい言葉での同音異義語の精度、方言への強さ、料金モデルに違いがあります。

話者ラベル付きの日本語音声（会議、インタビュー）については、話者分離の解説で、各モデルが日本語の発話交替構造にどうアプローチしているかを説明しています。

日本語文字起こしツールの比較

日本語のフォーマルな会話は英語よりも構造化されており、フォーマルな場面では話者の交替が明確です。これは一般的に話者分離の品質に有利に働きます。以下は、日本語対応が確認されているツールの比較です。料金は2026年7月時点のものです。

| 機能 | Otter.ai | Notta | Trint | CATT | |---|---|---|---|---|---| | 日本語の文字起こし | 対応（2025年後半に追加） | 対応 | 記載なし | 対応 | | 日本語のAI要約 | 限定的（新しい機能） | 対応（対応言語に記載） | 非対応 | 対応 | | 無料プラン | 月300分 | 月120分（1ファイル5分まで） | なし（7日間トライアル、3ファイルまで） | 1日30ファイルまで、各30分まで（無料アカウント） | | 有料プランの価格 | 月額$16.99（年払いで月額$8.33） | 月額$13.99（年払いで月額$8.17） | 年払いで席あたり約$80/月 | 月額$14.99 | | 日本語での話者分離 | 対応 | 対応 | 対応 | 対応 |

Nottaは日本語のAI要約に対応する競合として最も明確に文書化されており、日本語を主要ターゲット市場の一つとしています。Otterは2025年後半に日本語対応を拡大し、日本語でのネイティブ言語チャットも提供しています。Trintは英語向けの強力なジャーナリズムツールですが、日本語の要約出力に関する文書化はされていません。

クリーンな文字起こしと構造化された出力だけが必要で、ミーティングボットのエコシステムに縛られたくない場合は、ConvertAudioToTextがブラウザ拡張機能をインストールせずに日本語の音声ファイルを直接処理します。

日本語の話者分離について

日本語のフォーマルな会話はターン制で構成されています。敬語を使うビジネスミーティングでは明確なプロトコルがあり、特に目上の人に話しかける際には、話者が相手の話の完了を待ちます。この予測可能なターン構造は、重なりが多いカジュアルな会話と比べて、フォーマルな日本語音声の話者分離精度を一般的に向上させます。

2話者によるフォーマルなインタビューや1対1のビジネス通話は、最も正確に話者分離される傾向があります。4人以上の大人数でのグループミーティングで声が重なったり、複数の話者の声域が似ている場合は、他の言語と同じ課題が生じます。

マイクごとの録音（話者ごとに別々のオーディオトラック）を使用すると、すべてのエンジンで話者分離が大幅に改善されます。プロの日本語スタジオ録音や多くのビジネス会議ツールでは、トラックごとの出力が提供されています。

日本語の文字起こし精度を高めるためのヒント

  1. 言語を明示的に ja（日本語）に設定します。自動検出は機能しますが、レイテンシが増え、英語の借用語が多い日本語を部分的に英語と誤認することがあります。

  2. 固有名詞の用語集を用意します。日本語の名前には複数の有効な漢字の読み方があり、モデルは頻度から推測します。「Watanabe」は渡辺、渡邊、または渡部になり得ます。正しい形を提供することで、繰り返し登場する名前に対する一貫した漢字の置換エラーを防げます。

  3. 日本語には軟らかい摩擦音（し、ち、つ）があり、これらは有声子音よりも背景ノイズで劣化しやすいです。ノイズの少ない録音は、音素に隣接する文字の漢字選択精度を向上させます。

  4. ポッドキャストの文字起こしに限って言えば、出力言語はその後の利用に影響します。日本語のポッドキャストのショーノートとSEOは、手動翻訳が必要な英語の要約よりも、ネイティブな日本語の方が良いパフォーマンスを発揮します。

  5. 議事録（gijiroku）の場合、尊敬語が多用される部分には軽い編集パスを計画してください。最も格式高い敬語構文では、複数話者が重なる場面でモデルのエラーが時折発生します。

よくある質問

日本語の文字起こしで適切な漢字を出力するAIエンジンはどれですか？

Whisper Large-v3、Deepgram Nova-3、AssemblyAI Universal-3 Proはすべて、漢字、ひらがな、カタカナを含む混在表記を出力します。古いモデルや小さいモデルは、すべてひらがな出力にフォールバックすることがあります。これは技術的には読めますが、実際の日本語の書き方ではありません。ツールがかなのみの出力を返す場合は、この3つのいずれかに切り替えてください。

同じ音を持つ複数の漢字がある場合、AIはどの漢字を使うかをどう決めるのですか？

文脈が主な手がかりです。「hashi」という言葉は、周囲の単語によって橋、箸、または端を意味します。十分な日本語テキストで訓練された大規模モデルは、これらのコロケーションをよく学習します。小さいモデルは、特に低頻度の漢字熟語で同音異義語のエラーが多くなります。名前や専門用語の用語集を提供することで、モデルがあまり見たことのない用語でのエラーを減らせます。

AI文字起こしは敬語の形式を保持しますか？

AI文字起こしは話し手の発言をそのまま保持するため、尊敬語や謙譲語の動詞形は話された通りに文字起こしに現れます。リスクがあるのは動詞形そのものの誤認識であり、普通形への置き換えではありません。標準的な丁寧語（ていねいご）は信頼性高く処理されます。格式高いビジネスや儀礼的なスピーチでの複雑な敬語構文では、たまにエラーが出ることがあるので、敬語が多い内容には軽い編集チェックが有効です。

関西弁のような地域方言の日本語文字起こしの精度はどうですか？

標準的な東京日本語（NHKの放送や多くのビジネスシーンで使われる言葉遣い）が最も正確に文字起こしされます。関西弁は、独特のピッチアクセントと語彙のせいで、ほとんどのエンジンで標準語より精度が落ちます。東北弁や九州弁はさらに難易度が上がります。現在、関西弁専用のモデルを持つエンジンはありません。方言が多い内容では、標準語よりも編集時間を多めに見積もってください。

正しい日本語の文字起こしではどんな句読点を使いますか？

正しい日本語の文字起こしでは、読点に「、」、句点に「。」、直接引用には「」を使います。日本語のテキストで西洋式のカンマやピリオドを使うのは非標準です。ツールが「こんにちは, 今日は晴れです.」のように西洋式のカンマとピリオドを返してきたら、句読点が間違っています。サポートが充実したエンジンなら、正しい全角の日本語句読点を自動で生成します。

AI要約を英語ではなく日本語で生成できますか？

すべてのツールがネイティブな日本語の要約を生成できるわけではありません。Nottaは日本語の要約を公式機能としてサポートしており、日本語は主要なターゲット市場の一つです。Otterは2025年後半に日本語対応を拡大しましたが、日本語での要約の深さは英語のコア機能より新しいものです。Trintは日本語の要約を生成しません。要約やアクションアイテムの日本語出力が必須なら、プランを決める前にベンダーのドキュメントを確認してください。

情報源

Try transcription free

Convert any audio or video to clean, unwatermarked text — speaker labels, timestamps, and AI summaries included. First 30 minutes free, no account.

Related Articles

2026年、アジア言語の文字起こしに最適なツール
アジア言語文字起こし

2026年、アジア言語の文字起こしに最適なツール

2026年、中国語、日本語、韓国語、ヒンディー語、タイ語、ベトナム語の音声を文字起こしするための検証済みガイド。CERベンチマーク、エンジンの強み、言語別の価格を網羅。

2 min
2026年版 音声をテキストに変換する方法：4つの手法を徹底比較
文字起こし音声

2026年版 音声をテキストに変換する方法：4つの手法を徹底比較

音声をテキストに変換するあらゆる方法——手動タイピング、音声入力、セルフホストAI、オンラインツール、人間によるサービス——を比較。ステップバイステップの解説付き。

1 min
無料で使える音声文字起こしツール：APIキーもコードも不要（2026年版）
文字起こし無料ツール

無料で使える音声文字起こしツール：APIキーもコードも不要（2026年版）

APIキーもコーディングも不要な無料の音声文字起こしツールを厳選。ブラウザツール、ローカルアプリ、クラウドサービスの選択肢を正直に比較します。

2 min
音声文字起こしとは?2026年版・やさしく解説する完全ガイド
文字起こし音声

音声文字起こしとは?2026年版・やさしく解説する完全ガイド

音声文字起こしは、話し言葉を書き言葉(テキスト)に変換するものです。仕組み、文字起こしの種類、精度に影響する要素、そして2026年の料金までを解説します。

2 min