リアルタイム文字起こし vs 会議後文字起こし：トレードオフ

**通話後に読むドキュメントだけが成果物なのであれば、会議後のバッチ文字起こしを使いましょう。**より正確で、運用コストが安く、話者ダイアライゼーションもより適切に処理できます。リアルタイムストリーミングが適切なのは、会話中にその場でテキストを読む必要がある人いる場合です。

この一文で判断の80%は片付きます。残りの20%に対応できるよう、この記事の残りの部分でトレードオフを掘り下げます。

各モードの実際の動作

リアルタイム（ストリーミング）文字起こしは、通常100〜250ミリ秒の小さなチャンクで音声を音声認識モデルに送信します。モデルはほぼ即座に部分的なテキストを返し、話者から約300〜850ミリ秒遅れた状態で表示されます。話者が話すのに合わせて画面に単語が現れます。

会議後（バッチ）文字起こしは、録音の保存後に行われます。ファイルをアップロードするか（またはボットが通話を録音）、モデルが音声全体を処理します。60分の通話は通常3〜10分で結果が返り、標準的な長さのファイルなら2分以内に結果を返すAPIプロバイダーも多くあります。

アーキテクチャ上の違いが重要です。ストリーミングモデルは、次に何が来るか分からないまま音声を処理します。バッチモデルはファイル全体を読み、先のコンテキストを使って前の推測を修正できます。

精度のギャップ

この差は実際に存在し、測定可能です。Deepgramは自社のNova-3モデルについて、81時間・9ドメインのベンチマークでWER数値を公表しています。ストリーミングの中央値WERは6.84%、同じ音声でのバッチは5.26%でした。これはバッチに約1.5ポイントの優位性があり、段落ごとの誤字が少なくなることを意味します。

難しい音声では差が広がります：

• 強いアクセントや話者の重なりがあると、モデルが明確化するコンテキストを聞く前に推測を確定してしまうため、ストリーミングのWERは高くなります。
• 技術用語（製品名、医学用語、法律用語）は、周囲の文が見えるバッチモードの方が修正されやすい傾向があります。
• 最も精度の高いオープンソースモデルの一つであるWhisper Large-v3は、バッチ処理向けに設計されています。擬似ストリーミングモードで実行するにはチャンク分割の回避策が必要で、ファイル全体の処理と比べて精度が顕著に低下します。

ADAタイトルIIへの準拠では、業界慣行として99%以上の字幕精度が目標とされます。自動リアルタイムシステムは、クリーンな音声で通常95〜98%を達成します。法的観点ではこの差が重要です。Zoomの内蔵ライブ字幕は実際の環境で約80〜90%の精度であり、99%の閾値を大きく下回っています。2026年4月のADAタイトルII期限（5万人以上にサービスを提供する公共機関が対象）はライブ動画セッションへのライブ字幕を義務付けますが、精度の問題は、字幕を提供するという法的要件とは別の問題です。

精度の測定方法や数値の実践的な意味について詳しくは、文字起こし精度の解説で計算方法を説明しています。

ダイアライゼーションのギャップ

話者ラベリングは、ストリーミングモードでは難しくなります。バッチモデルは話者IDを割り当てる際に録音全体を見るため、声をグローバルにクラスタリングできます。ストリーミングモデルは、後で誰が話すか分からないまま、各時点で誰が話しているかを推測しなければなりません。

実際には、クリーンな録音での2話者バッチダイアライゼーションの精度は約95%以上です。同じ音声でのリアルタイムダイアライゼーションは80〜90%に低下し、一部のツールは新しい音声が届くにつれて以前のラベルを遡って修正します。つまり30秒前に読んだラベルが、モデルがより多くのコンテキストを得た時点で変わる可能性があります。最終的な文字起こしとしては問題ありませんが、ライブで読み進めている場合は違和感を覚えます。

話者ダイアライゼーションの記事では、この問題がストリーミングモードでアーキテクチャ的に解決が難しい理由を説明しています。

レイテンシの調整

ストリーミングツールでは、レイテンシと精度をトレードオフできます。多くのツールはおおむね次の3つのモードを提供しています。

プレゼンテーション画面のライブ字幕には、中レイテンシが実用的なスイートスポットです。聴衆は話者のペースにほぼ合わせて読め、修正はまれで、精度も低レイテンシモードより明らかに優れています。一方、速いペースの会話についていく聴覚障害のある参加者にとっては、精度より低レイテンシの方が重要です。単語が一瞬欠けても、場面が過ぎてから数秒後に字幕を読むより混乱が少ないからです。

コストの違い

APIレベルでは、バッチの方が安価です。AssemblyAIはバッチ文字起こしに約$0.15/時間、ストリーミングに約$0.45/時間を請求しており、リアルタイムには3倍のプレミアムがかかります。DeepgramはNova-3を両モードとも同じ名目の毎分料金（従量課金で$0.0077/分）で掲げていますが、ストリーミングはインフラコストが加わります。通話中ずっと永続的なWebSocket接続を維持する必要があり、ファイルを非同期処理するよりも多くのサーバー容量が必要です。

エンドユーザーツールでは、料金はサブスクリプションプランに組み込まれているため、モードごとのコストは見えにくくなっています。しかし経済性は製品の判断に表れています。ライブ文字起こしを行うOtter.aiは、月1,200分で月額$8.33/ユーザー（Pro、年払い）から。会議後処理に注力するFirefliesは、1席あたり8,000分の保存容量付きで月額$10/席（Pro、年払い）から始まります。どちらも無料プランを提供しています。

より詳細な内訳については、文字起こし料金比較をご覧ください。

意思決定表

リアルタイムが唯一の選択肢になるケース

ストリーミングしか使えないシナリオは3つあります。

1. **ライブ会話における聴覚障害のある参加者のアクセシビリティ。**テキストは会議中に表示される必要があり、後では意味がありません。
2. **公開イベントやウェビナーのライブ字幕。**現在、多くの法域でこれが義務付けられています。精度95〜98%の自動字幕が広く使われていますが、厳密なADA準拠の99%以上の基準には及ばないため、重要度の高いイベントでは自動字幕と人間のCARTプロバイダーを併用することが多くなっています。
3. **リアルタイムのエージェントアシストやコーチング。**カスタマーサポート担当者や営業担当者は、通話中の顧客の発言に基づいて提案、アラート、コンプライアンスフラグを受け取ります。これは通話終了まで待つことができません。

それ以外の場合は、高速処理のバッチがデフォルトです。

要望はリアルタイムでも、バッチが正解となるケース

リアルタイムを求めているように見えて、実際には高速バッチが欲しいというよくあるリクエストが3つあります。

**「通話を切ったときに文字起こしが完成していてほしい」。**高速バッチ処理なら、60分の通話でも通常5分以内に結果が返ります。それで十分なことがほとんどです。同じ通話をリアルタイムでストリーミングするとコストがかさみ、精度も低い文字起こしになります。

**「ライブ字幕を見ながらメモを取りたい」。**聞きながら字幕を読むのは注意を分散させます。多くの人にとっては、会議を自然に流して後からバッチの文字起こしを確認し、AIサマリーで要点を抽出する方が効果的です。

**「通話中に検索したい」。**技術的には可能ですが、実際のユースケースはほぼ常に「通話後の検索」であり、それは完了した録音に対するバッチ処理です。

標準的なプロの構成

本番環境のワークフローの多くは、両方を順番に組み合わせます。

1. アクセシビリティやリアルタイム参照のため、会議中にライブ字幕を実行する。
2. 通話終了後、録音に対してバッチ文字起こしを実行し、正式なドキュメントを作成する。

リアルタイムの出力は一時的なものとして扱われます。保存・編集・リンクされ、サマリー、アクションアイテム、アーカイブなど下流で使われるのはバッチ出力です。Zoom、Google Meet、Microsoft Teamsはいずれもこのパターンに従います。通話中はライブ字幕、保存された録画には通話後の文字起こしファイルです。

録画済みのZoom通話、Teams会議、Google Meetセッションのバッチ文字起こしには、会議文字起こしツールがアップロードを処理し、会議ボット不要でラベル付きの文字起こしを返します。

録音からきれいな文字起こしが必要なだけなら、ConvertAudioToTextがファイルを直接受け付けます。ボットのインストールもカレンダーアクセスも不要です。

よくある質問

リアルタイム文字起こしはバッチより精度が低いのですか？

はい、測定可能な差があります。DeepgramのNova-3では、同じベンチマーク音声においてストリーミングのWERは6.84%、バッチは5.26%で、約1.5ポイントの差です。難しい音声（アクセント、クロストーク、専門用語）では、ストリーミングモデルは後続の文を見ることなく各単語を確定しなければならないため、差はさらに広がります。

リアルタイム文字起こしにはどれくらいの遅延がありますか？

ストリーミング文字起こしのエンドツーエンド遅延は、通常300〜850ミリ秒です。多くのツールはレイテンシ設定を備えています。レイテンシを下げると単語は速く表示される一方で修正が増え、レイテンシを上げる（3〜5秒）とバッチ並みの精度に近づきますが、人間が読む速度では依然としてライブ感があります。

バッチ文字起こしはリアルタイムより安いのですか？

通常はAPIレベルでイエスです。AssemblyAIはストリーミングをバッチの約3倍で課金します。Deepgramのように両モードで同じ名目の毎分料金を掲げるプロバイダーもありますが、ストリーミングは通話中ずっとWebSocket接続を維持するためインフラコストが上乗せされ、バッチは単純なファイルアップロードでそれを回避できます。会話中にテキストが必要ないのであれば、バッチの方が経済的な選択です。

Zoom、Meet、Teamsはリアルタイムとバッチのどちらを使っていますか？

両方です。通話中のライブ字幕はリアルタイムストリーミングです。録画と一緒に保存される通話後の文字起こしは、会議終了後にバッチ処理されます。通話後のバージョンは一般により正確で、話者ラベルも優れています。ほとんどの会議プラットフォームは、バッチ出力を正式な記録として扱います。

リアルタイム文字起こしが法的に義務付けられるのはいつですか？

ADAタイトルII（改訂版）は、対象となる公共機関が実施するライブ動画セッションにライブ字幕を義務付けており、5万人以上にサービスを提供する機関の遵守期限は2026年4月24日です。多くの法域で、公共イベントや放送にも同様の要件があります。自動ライブ字幕の精度は通常95〜98%です。厳密なADA準拠は99%以上を目標とするため、重要度の高いイベントでは人間のCARTプロバイダーが必要になることが少なくありません。

出典

• Deepgram, "Introducing Nova-3": https://deepgram.com/learn/introducing-nova-3-speech-to-text-api
• Deepgram Pricing: https://deepgram.com/pricing
• AssemblyAI, "Real-Time vs Batch Transcription": https://www.assemblyai.com/blog/real-time-vs-batch-transcription
• AssemblyAI Pricing: https://www.assemblyai.com/pricing
• Otter.ai Pricing: https://otter.ai/pricing
• Fireflies Pricing: https://fireflies.ai/pricing
• Interprefy, "Closed Captions Accuracy: Zoom vs Teams": https://www.interprefy.com/resources/blog/closed-captions-accuracy-zoom-teams
• BoxCast, "ADA Title II Captioning Requirements April 2026": https://www.boxcast.com/blog/how-to-comply-with-ada-title-ii-captioning-requirements-by-april-2026
• AssemblyAI, "The 300ms Rule: Why Latency Makes or Breaks Voice AI": https://www.assemblyai.com/blog/low-latency-voice-ai