広東語の議事録がいつも「少し違う」理由 — 広東語・英語の混在と、話し言葉／書き言葉という二つの断層

初めて AI ツールで広東語の議事録を取ったとき、多くの人の反応は似ています。見た目はきちんとしているのに、どこか「少し違う」と感じるのです。字面には明らかな誤りがない。それでも記憶にある会話と照らし合わせると、何かが抜け落ちています。

このズレは、多くの人が真っ先に疑う「認識率」から来ているわけではありません。純粋な広東語、単一話者、静かな環境という条件であれば、今日の主要ツールの性能はすでに十分実用的です。問題は別の二か所にあり、しかもそれは香港の日常会話で最もよく現れる二つの形態と一致しています。

第一に、一文の中で中国語と英語が混ざると、認識品質が明らかに低下します。第二に、正しく聞き取れていたとしても、出力される文章はすでに書き言葉の中国語に書き換えられており、あなたがその場で口にした文ではなくなっています。

この二つは原因も、影響する場面も異なるため、分けて整理する価値があります。

30秒でわかる結論

• 中英の混在にはコストがあり、そのコストは数値化できます → 公開されている研究文献によれば、広東語・英語のコードスイッチング内容の文字誤り率はおよそ 20%〜26%、同種のシステムが単一言語の内容を扱う場合はおよそ 6%〜8% です。3〜4倍の差があります。
• 「正しく聞き取ること」と「正しく書くこと」は別物です → 「幾時搞掂」と話しても、記録には「什麼時候完成」と書かれる。意味は保たれても、実際の発話は残りません。
• 多くの場面では問題になりませんが、一部の場面では致命的です → 雑談の要約なら影響はありません。医療問診、福祉のケース記録、調停記録、研究インタビューはその逆です。
• 広東語データの量は 2025 年に桁違いの変化を迎えました → 数十時間規模の公開コーパスから、WenetSpeech-Yue の 21,800 時間へ。ただしコードスイッチングは未解決のままです。
• ツールを選ぶ前に、必要なのが「意味」なのか「実際の発話」なのかを決めてください → 必要な設定が変わります。記事末にチェックリストがあります。

まず二つを区別する — 認識と提示

広東語の記録品質を議論するとき、独立した二つの工程が混同されがちです。

認識（ASR） は音声を文字に変える工程です。ここでの失敗は「聞き間違い」であり、何を話したか判別できない、あるいは音の近い語を別の字と認識してしまうことです。

提示 は、その文字が最終的にどの形で現れるかを決める工程です。ここでの失敗は「書き換え」であり、正確に聞き取れているのに、出力時に口語が書き言葉へ整えられてしまうことです。

「広東語の記録が不正確だ」という苦情の大半は、実際にはこの二層がそれぞれ別に失敗しているものであり、まったく異なる方法で対処する必要があります。第一層はモデルの能力と学習データの問題、第二層は多くの場合、設計上の選択——しかも意図的な選択——の問題です。

断層その一：広東語と英語の混在

なぜこれが特に難しいのか

「我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。」 （意味：「コーズウェイベイに行って会議をして、ついでにスケジュールを確認したい」。広東語の文の途中に英単語がそのまま挟まっています。）

この文は香港ではまったく珍しくありませんが、認識システムに要求される能力は純粋な広東語の文とはまったく異なります。システムは同一の文、時には一息の中で、まったく異なる二つの音韻体系と語彙を即座に切り替えねばならず、しかも切り替え地点は事前に示されません。

さらに厄介なことに、香港の話者が英単語を発音するとき、その発音はすでに広東語化されています。音節構造も声調の輪郭も現地化されているのです。こうした発音は英語モデルの想定にも合致せず、広東語モデルの語彙表にも存在しません。どちらの側も自分のものと見なしません。

数字で見る落差

公開されている研究文献はかなり一貫した像を示しています。広東語・英語のコードスイッチング内容の文字誤り率はおよそ 20% から 26% の範囲に収まり、同種のシステムが単一言語の内容を扱う場合はおよそ 6% から 8% です。広東語・英語混在音声の専用評価セットでは、Whisper をベースとしたシステムの混合誤り率はおよそ 22% でした。

体感に換算すると、純粋な広東語の内容ではおよそ十数文字に一つの誤り、中英混在の内容ではおよそ四〜五文字に一つの誤りです。後者は、記録を使う前に一文ずつ照合しなければならない水準です。

この種の誤りは形が独特です

注意すべきは、コードスイッチングの誤りが通常の認識誤りのように「見るからに間違い」とは限らない点です。システムが空白や文字化けをそのまま出すことは稀で、読みが近く文法的にも通る中国語の語を推測して埋める傾向があります。

その結果、表面上は完全に自然に読めるのに、意味はすでにずれた文が生まれます。これは明らかな誤字よりずっと危険です。明らかな誤字なら立ち止まって確認しますが、自然に読める誤文はそのまま読み飛ばしてしまうからです。

断層その二：口語広東語 vs 書き言葉の中国語

同じ発話の二通りの書き方

中央の列に「誤り」は一つもありません。意味は正確で、読みやすささえ勝っています。問題は——誰もそんな話し方はしない、ということです。

なぜシステムはこうするのか

これは通常バグではありません。中国語の書き言葉の学習データは標準的な書き言葉が圧倒的多数を占め、口語広東語の表記（「嘅」「咗」「喺」「哋」）が全体のコーパスに占める割合は極めて小さいのです。明示的な指示がなければ、モデルは自分が最もよく知る中国語を出力する方向に自然と傾きます。

しかも多くの場合、その既定動作は正しい。会議の要約、タスクの記述、広東語を解さない同僚への共有——こうした用途では書き言葉版のほうが明らかに使いやすいのです。

しかし正反対の場面もあります

問題は、まさに実際の発話そのものを必要とする一群の場面が存在することです。

• 医療問診：患者が症状を表す言葉そのものが臨床情報です。「頂住頂住」（押されるような詰まった感覚）、「唧住痛」（締めつけられるような痛み）、「作嘔作悶」（吐き気と胸のむかつき）が標準的な用語に書き換えられた時点で、その具体的な質感は失われます。
• 福祉のケース記録：利用者本人の言葉はケース評価に関わります。書き換えは記録の段階で解釈を一層加えることを意味します。
• 調停と紛争処理：誰が何を、どういう口調で言ったか自体が争点です。
• 研究インタビューとオーラルヒストリー：逐語記録の価値は逐語であることが前提です。
• 語学教育とコーパス整備：口語の形態そのものが研究対象です。

これらに共通するのは、記録が単に議論内容を思い出すためのものではなく、後日引用され、照査され、根拠として扱われうる点です。密かに整えられた記録はこうした用途ではリスクになります。まったく正常に見えるため、どこが変えられたのか分からないからです。

見落とされがちな前提：広東語データの現状

広東語ツールの性能にばらつきがある理由を理解するには、利用可能なデータの規模を見るのが有効です。

2025 年の WenetSpeech-Yue の登場は桁違いの転換でした。それ以前、公開されている広東語音声データは長らく数十〜数百時間の水準にとどまり、主要言語は数万時間単位で数えられていました。これが従来の広東語ツールが総じて後れを取っていた理由です。

ただし注意すべきは、データ量の増加が主に改善するのは単一言語としての広東語の認識だという点です。コードスイッチングに必要なのは混在コーパスであり、この種のデータは注釈付けがより難しく、規模も依然として乏しいままです。したがって断層その一の改善速度は、純粋な広東語認識の改善速度より明らかに遅くなります。

香港というもう一つの文脈

関連する数字にも触れておきます。「広東語ツール」が実際に何を扱わねばならないかを左右するからです。2021 年の国勢調査によると、香港の非華人系住民は約 619,568 人、人口の 8.4% を占めます。広東語を話せるかという項目では、フィリピン系 17.6%、インド系 25.0%、南アジア系全体で 34.7%。一方で英語能力は総じて 84% 以上です。

つまり香港の日常的な意思疎通の言語状況は「広東語」という単一の場面ではなく、広東語、英語、そして複数の他言語が同時に存在する場です。広東語の認識だけを高精度にしても即時翻訳ができないツールは、問題の半分しか解決していません。これは多言語都市であればどこでも同じです。

Traverba のこの二つの断層への対応

• 広東語・英語の混在を優先 — 広東語と英語を二者択一のモードとして扱うのではなく、香港式の中英混在文に合わせて認識を調整しています。
• 口語形態の保持 — 文字起こしは実際に話された形態を基準とし、要約と翻訳は別途生成します。実際の発話と整理稿が併存し、整理稿が実際の発話を上書きすることはありません。
• リアルタイム文字起こしとリアルタイム翻訳の一体化 — 同一の会話で、話者一人、100 以上の言語。聴衆は QR コードを読み取るだけで自分の言語の字幕を見られ、アプリのダウンロードは不要です。
• 端末ローカル優先 — 音声認識は既定で端末上で実行され、クラウド AI は任意です。機微な内容を扱う際は、一切外部に送信しないことも可能です。
• 完全な逐語記録のエクスポート — 会議後に実際の発話の逐語記録と翻訳版をエクスポートでき、両者は分けて保存されます。

はっきり述べておきます。用途が一般的な商談の要約、社内の情報共有、タスク整理であれば、市販の AI ノートツールの多くはすでに十分な出来であり、書き言葉の出力のほうがむしろ使いやすく、そのためにツールを乗り換える必要はありません。ここで述べた差が本当に意味を持つのは、「実際の発話そのものがデータである」場面です。

どう判断するか：短いチェックリスト

自分に三つ問いかけてください。

一、この記録は後日引用または照査されるか？ される場合（ケース記録、臨床記録、調停、インタビュー）は逐語記録が必要であり、ツールが裏で書き換えていないことを確認する必要があります。されない場合は書き言葉の要約のほうが実用的です。

二、会話における中英混在の密度はどの程度か？ たまに英単語が一つ二つ混じる程度なら多くのツールが対応できます。一文の中で二、三回切り替わる典型的な香港式の会話であれば、まず実際の録音で試してください。公式の対応言語リストを当てにしないことです。

三、内容は機微か？ カルテ、ケース、法務案件に関わる録音は、まずデータの流れを確認してください。処理は端末上かクラウドか、保存期間はどれだけか、学習に使われるかどうかです。

最後に一つ助言を。どのツールを選ぶにせよ、自分の実際の会話でテストしてください。朗読原稿では駄目です。朗読された広東語にはコードスイッチングも口語の助詞も、割り込みの重なりもなく、ここで述べたどの問題も検出できません。

さらに詳しく

広東語の記録において、あらゆる状況に適した唯一のツールは存在しません。重要なのは、必要なのが「意味」なのか「実際の発話」なのかをまず明確にすることです。この判断が、何を選びどう設定すべきかを直接左右します。

Traverba が広東語・英語の混在と口語の保持をどう扱っているかは、traverba.com をご覧ください。Google Play および App Store からダウンロードしてお試しいただけます。

本記事が引用する誤り率の数値は公開されている広東語音声認識の研究文献に、コーパス規模のデータは各コーパスの公式発表に、人口および言語能力のデータは香港政府 2021 年国勢調査に基づきます。各データは 2026 年半ば時点のものです。モデルとツールの能力は継続的に変化し、実際の性能は録音品質、訛り、環境ノイズ、および具体的なバージョンによって異なります。すべてのブランドおよび商標は各所有者に帰属します。