文字誤り率(CER)・単語誤り率(WER)とは?音声認識の精度の測り方

音声認識の書き起こしと正しい文を並べて違いに印をつけた画面。文字誤り率とは

この記事でわかること

  • CER と WER の一文の定義
  • 誤り率の数え方(置き換え・抜け・余計)
  • 日本語で CER が使われる理由
  • 誤り率の数字を読むときの注意
  • 研修動画の字幕づくりでの使い方

まず読む: 音声認識の精度は何で決まる?仕組みと聞き取りが落ちる原因

文字誤り率(CER)・単語誤り率(WER)とは?

文字誤り率(CER)と単語誤り率(WER)とは、音声認識が書き起こした文を正しい文と比べ、間違えた文字や単語がどれだけあるかを割合で表す物差しです。CER は英語の Character Error Rate、WER は Word Error Rate の略です。テストの「間違えた問題の割合」の、音声認識版と考えると分かりやすいでしょう。

日本語の音声認識を研究した 2023 年の論文は、WER と CER を音声認識の標準的な物差しだと紹介しています[2]。数字が小さいほど、書き起こしが正確だということです。

誤り率で何ができる?

誤り率を使うと、音声認識の正確さを数字で比べられます。

  • しくみどうしを比べる:同じ音声で、どの音声認識がより正確かを比べます
  • 録音の条件を比べる:マイクを変える・雑音を減らすと、どれだけ正確になるかを確かめます
  • 改善の効果を測る:辞書を足す・設定を変える前と後で、間違いが減ったかを見ます

一方で、誤り率は「どれだけ意味が伝わったか」を直接は測りません。2004 年に音声認識の評価の方法を論じた研究は、WER は書き起こした単語の並びを元の並びに戻す手間を測るものだが、多くの使い道では「どれだけ情報が伝わったか」のほうが意味のある物差しになる、と指摘しています[1]。

誤り率はどう数える?

誤り率は、書き起こした文と正しい文を並べ、違いを次の 3 種類に分けて数えます。

種類意味例(正しい文「安全帯を使う」)
置き換え別の文字・単語になった「安全体を使う」
抜けあるはずの文字・単語が抜けた「安全を使う」
余計無いはずの文字・単語が入った「安全帯をを使う」

この 3 つの数を足し、正しい文の文字数(単語数)で割ったものが誤り率です。

  • 誤り率 =(置き換え + 抜け + 余計)÷ 正しい文の長さ

2004 年の研究は、よく使われる並べ方では、合っている所は数えず、置き換え・抜け・余計を同じ重さで数えると説明しています[1]。余計な文字も数えるため、間違いの数が正しい文の長さを上回ることもあります。

CER は文字で、WER は単語で数えます。数え方は同じで、数える単位だけが違います。

日本語ではなぜ CER を使う?

日本語の音声認識では、CER がよく使われます。英語のように単語の間に空白がなく、どこで単語を区切るかがはっきりしないからです。

日本語の音声認識の方法を比べた 2021 年の研究は、日本語は単語に区切ることが簡単ではないため、文字の並びを直接扱う方法が向いていると述べています[3]。この研究で最もよかった組み合わせは、日本語の話し言葉を集めた試験用の音声(CSJ)の 3 つの課題で、CER 4.1%・3.2%・3.5% を記録しました[3]。

日本語の話し言葉の試験用音声での文字誤り率(CER)出典: 日本語の音声認識の方法を比べた研究(INTERSPEECH 2021)
日本語の話し言葉の試験用音声での文字誤り率(CER)
項目数(%)
課題 14.1%
課題 23.2%
課題 33.5%

日本語の話し言葉を集めた試験用の音声(CSJ)での、2021 年の研究の最もよい結果

ただし、日本語の CER にも弱点があります。2023 年の研究は、日本語は多くの言葉をいくつもの書き方で書けるため(漢字・ひらがな・カタカナなど)、正確な評価が難しいと指摘しています[2]。たとえば「打ち合わせ」と「打合せ」は同じ意味でも、CER では間違いに数えられます。同じ研究は、正しい書き方のゆれを間違いに数えない方法にすると、CER が課題によって 2.4〜3.1 ポイント下がったと報告しています[2]。

会議の声を拾うマイクと波形の画面。音声認識の精度を左右する録音

どんな場面で使う?(研修動画の字幕の例)

研修やマニュアルの動画を字幕や吹き替えにするとき、もとになるのは音声認識の書き起こしです。書き起こしの間違いは、そのまま字幕と訳に引き継がれます。

数字の読み方で気をつけたいのは、発表されている誤り率が、そのまま自分の動画に当てはまるとは限らないことです。2020 年の研究は、実際の自然な会話を集めた音声で 3 つの音声認識を比べ、誤り率は発表されている最もよい結果よりかなり高かったと報告しています[4]。

自分の動画で確かめるときは、次の順で進めます。

  1. 短い区間を選ぶ
    話す人や雑音の条件が代表的な、短い区間を選びます
  2. 正しい書き起こしを作る
    人が聞いて、正しい文を作ります。表記(漢字・かな)のルールも決めておきます
  3. 間違いを数える
    置き換え・抜け・余計の数を数え、正しい文の文字数で割ります
  4. 大事な言葉を別に見る
    否定・数字・固有名詞の間違いは、数が少なくても意味を変えるので、別に確かめます

4 つ目が大切です。誤り率が低くても、「〜しない」が「〜する」になる 1 か所の間違いで、指示が正反対になることがあります。AI の訳でどこが間違いやすいかはAI翻訳の間違いはどこで起きる?で説明しています。

koevo のヘルプでも、雑音が多い・音が小さい・聞き取りにくい音声は、文字起こしや吹き替えの精度が下がることがあると案内しています[5]。字幕・翻訳文はエディターで直せる[5]ので、公開の前に読み直す流れを組んでおくと安心です。録音の条件で精度がどう変わるかは、音声認識の精度は何で決まる?にまとめています。

似た言葉とはどう違う?

言葉何を測るか使う場面
CER(文字誤り率)書き起こしの文字の間違いの割合日本語・中国語などの音声認識
WER(単語誤り率)書き起こしの単語の間違いの割合英語などの音声認識
認識率・正解率正しく書き起こせた割合製品の説明などで使われる(数え方はさまざま)
BLEU など訳した文が見本の訳とどれだけ似ているか機械翻訳の評価

音声認識の誤り率は「聞き取り」の物差しで、翻訳の正しさは別の物差しで測ります。翻訳の評価のしかたは機械翻訳の評価の方法で説明しています。

よくある質問

CER と WER はどちらを使えばよいですか?

言語で選びます。英語のように単語の間に空白がある言語では WER がよく使われます。日本語や中国語のように単語の切れ目がはっきりしない言語では、文字で数える CER がよく使われます。

誤り率 5% とは、どのくらいの間違いですか?

正しい文の 100 文字(または 100 単語)あたり、およそ 5 か所の置き換え・抜け・余計がある、という意味です。ただし大事な言葉の 1 か所の間違いでも意味が変わることがあるので、数字だけでなく中身も確かめます。

日本語の表記のゆれも間違いに数えられますか?

ふつうの数え方では数えられます。「打ち合わせ」と「打合せ」のように同じ意味でも書き方が違えば間違いになります。研究では、書き方のゆれを間違いに数えない数え方も提案されています。

発表されている誤り率は、自分の動画でも同じになりますか?

同じになるとは限りません。研究では、決まった試験用の音声での誤り率より、実際の会話の音声での誤り率のほうがかなり高く出たと報告されています。自分の動画の音声で確かめるのが確実です。

文字誤り率(CER)と単語誤り率(WER)とは、書き起こしの置き換え・抜け・余計の数を、正しい文の長さで割った物差しです。日本語では文字で数える CER がよく使われます。数字は録音の条件や表記のゆれで変わるので、自分の動画の音声で確かめ、否定・数字・固有名詞は別に読み直しましょう。

おわりに

文字誤り率(CER)・単語誤り率(WER)について、いかがでしたか?書き起こしの間違いを、置き換え・抜け・余計の数で数えて正しい文の長さで割る物差しで、日本語では文字で数える CER が使われ、数字は録音の条件や表記のゆれで変わるのでしたね。

ちなみにスリーでは、「koevo」というサービスを提供しています。日本語の動画から、翻訳・字幕・吹き替えをまとめて作る動画の多言語化の仕組みです。研修やマニュアルの動画を、母国語の声で届けられます。日本語の動画の音声から字幕や吹き替えを作り、画面で字幕を確かめて直したいときにお使いいただけます。よろしければ、サービスページものぞいてみてください。

koevo のサービスページを見てみる

よくある質問

CER と WER はどちらを使えばよいですか?

言語で選びます。英語のように単語の間に空白がある言語では WER がよく使われます。日本語や中国語のように単語の切れ目がはっきりしない言語では、文字で数える CER がよく使われます。

誤り率 5% とは、どのくらいの間違いですか?

正しい文の 100 文字(または 100 単語)あたり、およそ 5 か所の置き換え・抜け・余計がある、という意味です。ただし大事な言葉の 1 か所の間違いでも意味が変わることがあるので、数字だけでなく中身も確かめます。

日本語の表記のゆれも間違いに数えられますか?

ふつうの数え方では数えられます。「打ち合わせ」と「打合せ」のように同じ意味でも書き方が違えば間違いになります。研究では、書き方のゆれを間違いに数えない数え方も提案されています。

発表されている誤り率は、自分の動画でも同じになりますか?

同じになるとは限りません。研究では、決まった試験用の音声での誤り率より、実際の会話の音声での誤り率のほうがかなり高く出たと報告されています。自分の動画の音声で確かめるのが確実です。

参考文献

論文 4自社の一次資料 1

この記事は 5 本の出典をもとに書いています。うち 5 本は、引用した文が出典のページにあることを確かめています(2026年11月20日)。

  1. Morris, Maier, Green (2004) From WER and RIL to MER and WIL: improved evaluation measures for connected speech recognition. Interspeech 2004. DOI: 10.21437/Interspeech.2004-668論文
  2. Karita, Sproat, Ishikawa (2023) Lenient Evaluation of Japanese Speech Recognition: Modeling Naturally Occurring Spelling Inconsistency. ACL Workshop CAWL 2023. arXiv:2306.04530. DOI: 10.48550/arXiv.2306.04530論文
  3. Karita, Kubo, Bacchiani, Jones (2021) A Comparative Study on Neural Architectures and Training Methods for Japanese Speech Recognition. INTERSPEECH 2021. arXiv:2106.05111. DOI: 10.48550/arXiv.2106.05111論文
  4. Szymański et al. (2020) WER we are and WER we think we are. Findings of EMNLP 2020. DOI: 10.18653/v1/2020.findings-emnlp.295論文
  5. koevo ヘルプ(使い方・料金)自社の一次資料

この記事を書いた人

動画の多言語化に毎日向き合っている koevo のチームが書いています。数字や制度は、元の資料へのリンクを付けています。