2026年の広東語音声認識：主要ツールの実践的比較

香港での会議を録音して文字起こしアプリに通したことがある方なら、広東語が認識しにくい言語の一つであることをご存じでしょう。「我想去 Causeway Bay 開會 prepare 一下 個 deck」のような文は、広東語と英語を一息でまぜて話しており——そのまぜ方こそ、多くの文字起こしツールが限界を露呈する部分です。

これはニッチな問題ではありません。コードスイッチング——文の途中で広東語と英語を切り替えること——は、香港のビジネス・テクノロジー・日常生活における普通の話し方です。同時に、中国語音声認識において技術的に最も難しい問題の一つでもあります。

2026年の主要な広東語音声認識ツール——Google、Apple、Microsoft Azure、OpenAI Whisper、Otter.ai、iFLYTEK、ElevenLabs、Speechmatics——を、精度・コードスイッチング・プライバシー・使いやすさの観点から、中立的かつ実践的に比較しました。どのツールも得意分野があります。目的は、自分のニーズに合ったツールを選ぶ手助けをすることです。

精度の測り方

文字起こしの精度は通常、**Word Error Rate（WER）またはCharacter Error Rate（CER）**として報告されます。正解の参照文と比べて、単語または文字が異なる割合です。低いほど良く、おおむね5%未満は優秀、20%前後になると手動での修正が必要になります。

広東語で最も広く引用される公開ベンチマークは Common Voice Yue データセットです——実際の広東語話者が音読したものです。このクリーンな音読広東語に対して、独立したテストで以下の文字エラー率が報告されています。

このベンチマークでは、Appleのオンデバイス広東語モデルが高い評価を得ています——報告されているCERはGoogleより約35%低く、Microsoftより約67%低く、しかもすべてオンデバイスで処理されます。クリーンな広東語をMacに口述する個人ユーザーにとって、本当に優れた無料の選択肢です。

ただし、重要な注意点があります。このベンチマークが測るのは**クリーンな、音読形式の、単一話者による広東語であり、英語は含まれていません。**それは、ほとんどの香港市民が実際に話す方法ではありません。

コードスイッチングこそ本当のテスト

Common Voice は丁寧な単一言語の音声です。香港の日常的な広東語は会話調で速く、英語が混在しています。

"個 user feedback 話 個 flow 唔 make sense, 不如 我哋 sync 一 sync 先。"

クリーンな広東語でのベンチマーク結果は、このような文をツールがどう処理するかについてほとんど教えてくれません。広東語と英語のコードミキシングに関する学術研究は、これがどのエンジンにとっても難しい理由を二つ挙げています。

1. 広東語アクセントで話される英語は「標準的な」英語とは異なって聞こえ、英語モデルを混乱させることがあります。
2. コードスイッチングの学習データが不足——多くのシステムは、主として単一言語の広東語または単一言語の英語でトレーニングされており、自然な混合音声ではありません。

これは特定のブランドの問題ではなく、分野全体に共通する課題です。より広範なテストでは、コードスイッチング音声はさまざまなツール全体で精度を低下させています——スペイン語・英語の混合で精度が落ちたという研究も広く報告されています。実践的な結論として、香港の音声では広東語中の英語をツールがどう処理するかが、主要なベンチマークスコアよりも重要です。

ツール別解説

Otter.ai

Otter は全体的に最も人気のある文字起こしアプリの一つで、優れた会議機能と要約機能を持っています。2026年時点では、文字起こしは英語中心であり、広東語の文字起こしには対応していません。広東語に特化したツールをお探しの場合は、ネイティブサポートのあるものが必要です。

OpenAI Whisper

Whisper は非常に幅広い言語をサポートしており、広東語の文字起こしも可能です。デフォルトでは書き言葉の標準中国語（例：口語の「佢哋」ではなく「他們」）を出力する傾向があります。口語的な出力を維持するコミュニティによるファインチューニング済みモデルも存在しますが、使用には技術的なセットアップが必要なため、Whisper はアプリをすぐに使いたい一般ユーザーよりも、開発者やパワーユーザーに適しています。

Google Cloud Speech-to-Text

Googleの「yue-Hant-HK」モデルはスケーラビリティが高く、Google Cloud 内でのクイックドラフトや大量の自動処理に適しています。ほとんどの自動エンジンと同様、生の出力は通常レビューが必要で、コードスイッチングされた英語は修正が必要な場合があります。これはAPI・開発者向けの製品であり、一般消費者向けアプリではありません。

Microsoft Azure AI Speech

Azure は充実した開発者向けツールとMicrosoftクラウドワークフローとのスムーズな統合を提供しており、エンジニアリングチームに人気の選択肢です。ドキュメントには、コードスイッチングが含まれる場合は広東語の出力レビューが推奨されることが記載されています。Googleと同様に、自前のアプリケーションを構築する開発者向けです。

iFLYTEK（科大訊飛）

iFLYTEK は主要な音声AIカンパニーであり、香港に向けて積極的に投資してきました。現在は香港市場を直接対象とした広東語サポートを提供しており、iFLYREC 多言語会議システム（香港・マカオ版）や、ユーザーが広東語・普通話・英語を切り替えられる会議ソリューション、さらにオンプレミスオプションや翻訳機器も取り揃えています。オンプレミスホスティングや専用ハードウェアが必要な企業・カンファレンス向けに特に適した、実力ある本格的な選択肢です。

ElevenLabs Scribe と Speechmatics

両者とも優れた最新の音声認識エンジンです。ElevenLabs は広東語を高精度カテゴリに位置づけており、Speechmatics は低遅延・高精度を謳っています。どちらも主にクラウド・有料・APIファーストのサービスです——開発者にとって優れた構築ブロックであり、音声はクラウドで処理されます。

一覧比較

「最良のツール」は一つではありません——何をするかによって変わります。製品を構築する開発者には Whisper や Azure が最適です。カンファレンス主催者には iFLYTEK の専用システムが適しているかもしれません。クリーンな広東語を口述するMacユーザーには、Appleが無料で内蔵されています。

適切なツールを選ぶ3つの質問

1. 音声にどれくらい英語が含まれていますか？ 録音がほぼクリーンな広東語であれば、主要ベンチマークは公正な目安になります。香港の多くの会議のように文の途中で英語が混じる場合は、コードスイッチングに特化して作られたまたはチューニングされたツールを優先してください。

2. 音声はどこで処理されますか？ クラウド文字起こしは、録音をサードパーティのサーバーにアップロードすることを意味します。機密性の高い会議、医療または法律関連の音声については、オンデバイス処理によりデータを自分の端末に保持できます。

3. どれくらい技術的な知識がありますか？ Whisper、Azure、各種APIエンジンは開発者向けツールです。iFLYTEK の会議システムはエンタープライズ向け導入製品です。アプリを開いてレコードを押すだけで文字起こしを読みたいなら、それに対応した一般消費者向けアプリが必要です。

Traverba の位置づけ

Traverba はまさにその最後のグループ——シンプルなものを求める一般ユーザーのために作られています。APIキー不要、クラウドアカウント不要、エンタープライズ導入も不要。アプリを開けば、すぐに使えます。

フォーカスは香港の人々が実際に話す言語、すなわち英語が混じった広東語です。英語を取り除くべきものとして扱うのではなく、Traverba は実際の会話における文の途中の英語、ブランド名、スラングなど、ローカルの話し方のパターンでチューニングされています。そしてオンデバイスで処理するため、音声はサーバーにアップロードされることなくあなたのデバイスに留まります。

Traverba はエンタープライズ向けカンファレンスシステムやプロの文字起こし者の代わりを目指しているわけではありません——それぞれの役割があります。広東語と英語が入り混じった日常の瞬間に、自分のスマートフォンで素早く読めるテキストが欲しいというニーズのために作られています。

試してみる

Traverba は両プラットフォームで無料——音声翻訳、カメラ翻訳、画面翻訳、テキスト翻訳がすべて無料・無制限で利用できます。

Google Play および App Store で入手可能。詳しくは traverba.com をご覧ください。

この比較に挙げたすべてのツールにはそれぞれ得意分野があります。もし必要なものが、香港の日常的な広東語・英語混合に特化したシンプルなオンデバイスアプリであれば、Traverba はまさにそのために作られています。

上記の精度データは、Common Voice Yue データセットを使用した公開広東語ASRベンチマークおよび広東語・英語コードスイッチングに関する発表済み研究に基づいています。機能および言語サポートは2026年6月時点の各プロバイダーの提供状況を反映しており、変更される場合があります。実際の精度は音声品質、アクセント、会話中の英語の量によって異なります。ご自身の音声でツールをテストされることをお勧めします。