音声認識精度の「95%」は何を意味するのか ー WERの数字と業務インパクトのズレ
音声認識（ASR）ベンダーの多くが「精度95%」「認識率98%」という数字を掲げる。だがAssemblyAIの分析によれば、この95〜98%はスタジオ品質のクリーン音声を対象にした理想条件下の値で、電話越しの会話では80〜88%程度まで下がり、雑音の多い環境では70〜85%まで崩れるという。同じ「95%」という看板の下で、現場が受け取る体感はまるで違う。核になる問いは、この数字が何を保証していて、何を保証していないのかだ。私の立場を先に言えば、1%の精度差が致命傷になる場面と、10%崩れても現場が困らない場面があり、その違いを見ずに公称値だけで評価すると選定を誤る。
1. コールセンターの電話音声でWERはどこまで崩れるのか ー 公称値と現場の落差
まず数字を押さえる。音声認識の精度は一般にWER（Word Error Rate＝単語誤り率）で測る。挿入・置換・削除の誤り語数を正解語数で割った値で、5%のWERは「100語のうち5語が違う」という意味になる。LibriSpeechのような学習用クリーン音声ではsub-5%のWERを出すモデルが珍しくないが、同じモデルを雑音混じりの会話音声に当てると誤り率は3〜5倍に跳ね上がるとされる。コールセンター（コンタクトセンター）の電話音声はまさにその「雑音混じりの会話音声」に当たる。先述のAssemblyAIの整理でも、電話越しの会話音声は80〜88%の精度域にとどまり、クリーン音声の95〜98%から大きく落ちる。
当て馬として、国内の動きも見ておく。アドバンスト・メディアの発表によれば、同社は2026年6月30日、AmiVoice Communication SuiteにEnd-to-End型の音声認識エンジンを追加し、12種類のコンタクトセンター向け評価データを用いた社内検証で、従来のハイブリッド型と比べて認識エラー率が平均30.4%、最大37.8%改善したという。駅や街頭からの通話、車内通話、スマートフォンの回線劣化といった、現場でよく起きる劣化条件を挙げているのが特徴だ。もっとも、これは自社評価データに基づく自己申告の改善率であり、改善前のWERの絶対値は公表されていない。同じ改善率でも、元の誤り率が高いか低いかで業務に残る誤りの量はまるで違う。単純に「改善率が大きい方が優れている」とは読めない。
2. なぜコールセンターの音声で認識精度は崩れるのか ー 雑音・訛り・高齢発話という3つのノイズ源
崩れ方は一様ではない。まず物理的な劣化がある。電話回線の帯域制限、コーデック圧縮、背景の雑音、複数話者の重なりが、クリーンな音声にはないノイズを乗せる。AssemblyAIのデータでは、雑音の多い環境で70〜85%、訛りの強い発話で75〜90%まで精度が落ちるとされ、条件が重なるほど公称値からの落差は広がる。ここに話者側の要因が重なる。Decagonの整理では、クリーンな読み上げベンチマークで2〜5%のWERを出す最先端モデルでも、強い訛りや専門用語が絡むと10〜20%以上へ劣化するのは珍しくなく、クリーン環境で2%のモデルがVoIP録音のコンタクトセンター音声では12〜18%まで悪化しうるとされる。
年齢も無視できない要因だ。音声認識精度の測定に関する調査が引用するSpeechmaticsのデータでは、28〜36歳の話者で認識精度が最も高く、60〜81歳の高齢層で誤り率が最も高くなるという。加齢に伴う声量の低下・かすれ・発話速度の変化など、学習データの主流である成人音声との違いが、認識モデルの想定から外れやすいためだ。日本のコールセンターでは高齢の利用者比率が構造的に高く、この年齢要因は海外事例よりも重く効く可能性がある。方言についても、方言対応音声認識の解説記事が、関西弁の利用者への対応でうまく認識できず対応が長引いた事例を紹介している。ただしこの事例に具体的な誤り率や件数は示されておらず、裏取りできる数値としては扱えない。傾向として押さえるにとどめる。
これらが重なった実例が、Hamming AIのガイドが紹介するケースだ。デモでは問題なく動いていたボイスエージェントを、テキサス州のスペイン語話者顧客層に展開したところ、認識精度が95%から72%に急落した。標準的なアメリカ英語で学習したモデルが、地域訛りとスペイン語・英語のコードスイッチング（混在発話）に対応できていなかったことが原因で、顧客は誤ったインテントに振り分けられ、タスク完了率は崩壊したという。試験室で満点だったモデルが、路上の実際の発話には対応しきれなかった、という構図だ。
3. 「1%が効く場面」と「効かない場面」を分ける4つの型
ここからは、WERという一つの数字をどう解釈し直すかの型を整理する。
第一の型は「エンティティ単位で誤りを見る」。AssemblyAIの検証は、「My Cadillac isn't doing great」が「My cataracts aren't doing great」に置換された例を挙げる。WER上はどちらも「1語の誤り」として同じ重みで数えられるが、後段でLLMに文脈を渡す設計では、この種の置換が対話全体の意味を破壊しかねない。同じ検証では、あるモデルが薬品名を8.3%の割合で丸ごと欠落させたのに対し、比較対象のモデルは欠落率0%だったとも報告されている。全体のWERが近くても、固有名詞・数字・日時のような業務クリティカルな語のエラー率は別に見る必要がある、という型だ。
第二の型は「下流にAIパイプラインがあるかどうかで重みを変える」。文字起こしをそのまま人間のオペレーターやSVが読むだけなら、多少の言い淀みや助詞の誤りは読み飛ばされる。だが文字起こしをagent assistや自動要約、ナレッジ検索に渡す設計では、1箇所の置換誤りが下流のAI判断全体を狂わせる。1%の差が効くのは、後者の設計を選んだ瞬間からだ。
第三の型は「WER全体ではなく“読みやすさへの影響”で測り直す」。Appleの研究は、ポッドキャスト音声800セグメントの文字起こしでWERが平均9.2%あった一方、実際に読みやすさを損なう「重大な誤り」だけを数えたHEWER（人間評価に基づく誤り率）は1.4%にとどまったと報告する。フィラー語や表記ゆれといった、業務上ほぼ無視できる誤りがWERの大半を占めていたことになる。全体のWERだけを見て精度を判断すると、実害のない誤りにまで怯えることになる。
第四の型は「狭い領域だけをチューニングして潰す」。Crestaの整理では、対象領域の音声コーパスでOpenAI Whisperをファインチューニングした結果、WERが63.5%から32.0%まで改善し、プロンプトを併用したキーターム認識は44%から90%まで跳ね上がった事例が紹介されている。同記事が触れるCallTrackingMetricsの事例でも、ASRベンダーを切り替えた後、利用可能な文字起こしの割合が40%から90%超に改善したという。汎用モデルの全体WERを追いかけるより、自社の呼量で頻出する固有名詞・業務語彙にチューニングを絞る方が、費用対効果が高いことを示す例だ。国内のAI Shiftの分析でも、音声品質指標とエンティティ認識精度の相関は全体では弱いが、日付表現など特定のエンティティ種別に限ると有意な関連が見られたとされ、「どのエンティティが効くか」を切り分ける発想と符合する。
4. ここからは私の見立てとして
ここからは私の見立てとして書く。ベンダーが掲げる「精度95%」というスペックは、選定の入口条件としては意味があるが、コールセンターにとっての本当のリスクは、残り5%の誤りが「どこに」出るかだと考える。固有名詞や金額、日付を取り違えるのか、それとも「えっと」「あの」のようなフィラー語を取りこぼすのか。同じ5%でも、業務への効き方はまったく別物になる。
自己反証を一つ入れておく。「エンティティ単位の誤りだけ見ればよく、全体WERは無視してよい」という主張には反論もありうる。フィラー語の誤りであっても、蓄積するとオペレーターやSVが文字起こしを読み飛ばす原因になり、QAレビューの精度そのものを下げかねない。全体WERを完全に無視してよいわけではなく、「まず全体WERで劣化の有無を検知し、次にエンティティ単位で実害を判定する」という二段構えが必要だ。
条件付きで言えば、1%の精度差が実害に直結しやすいのは、(1)文字起こしをagent assistや自動要約などのAIパイプラインに渡している、(2)固有名詞・金額・日時のような業務クリティカルな語の誤りが多い、(3)高齢者や方言話者の比率が高い顧客層を抱えている、この3条件が重なる場合だと考える。逆にこの3条件がそろわないなら、公称精度が数%動いても、現場の体感はほとんど変わらない可能性が高い。
まとめ
第一に、音声認識の公称精度「95%」はクリーンな音声を前提にした数字であり、コールセンターの電話音声では80%台、雑音や訛りが重なればさらに下の水準まで崩れるのが普通だ。
第二に、崩れ方は均一ではなく、雑音・訛り・高齢者発話という条件が重なるほど悪化幅は広がる。国内の高齢利用者比率を踏まえると、この崩れは海外事例より重く見る必要がある。
第三に、1%の精度差が効くかどうかは、その1%がどこで起きるか（固有名詞かフィラー語か）、どこに使われるか（人が読むかAIパイプラインに渡すか）で変わる。
問いとして残したい。御社がベンダー評価で見ているのは「WERという一つの数字」だろうか、それとも「どの1%が、どの業務を壊すか」だろうか。前者しか稟議書に書かれていないなら、そのスペック比較は現場のリスクを半分しか捉えていないかもしれない。
※本記事は2026年8月1日時点で確認できた公開情報に基づく。ベンダー公表値・改善率には自己申告ベースのものを含み（アドバンスト・メディアの社内評価値等）、一次実測による第三者検証とは限らない。数値の解釈と「見立て」部分は筆者個人の見解であり、特定製品の推奨・否定を意図するものではない。
出典
Decagon「What is Word Error Rate (WER)? ASR Accuracy Explained」
AssemblyAI「Word error rate is broken: How to actually evaluate speech-to-text in 2026」
Hamming AI「The Ultimate Guide to ASR, STT & TTS for Voice Agents」
Cresta「Why Speech to Text Is the Hidden Engine Behind Contact Center AI Performance」
arXiv「Measuring the Accuracy of Automatic Speech Recognition Solutions」
この記事はCC AI LabのAI著者（相馬 迅/相原 ことは）が執筆し、編集部が内容を確認・承認のうえ公開しています。誤りを見つけた場合はお問い合わせフォームからご連絡ください。
