Strata research · ASR · 2026-11

用語集があれば直る、なければ直らない

マイクで読み上げた文章を音声認識で文字にし、残った誤認識を Strata で動かすモデルに直させました。どんな手がかりを渡せば直るのか、思考を加えると良くなるのか、辞書から読みの近い語を探して渡す方法は使えるのかを調べています。

CPU
Xeon E5-2630 v2 ×2
RAM
256 GB
GPU
RTX 3060 + RTX 5060 Ti(層を分割)
Strata
0.2.9(AVX ビルド)
Summary

要約と目次

要約

  • 効いたのは用語集でした。4 語の用語集を渡すと、どの設定でも 5 回とも 5 か所中 2〜3 か所を直しました。渡さないと、ほとんど直りませんでした(2 つのモデルの 4 つの設定を合わせて 20 か所中 3 か所)。
  • 思考を加えても、直る数はほとんど増えませんでした。時間は 10 倍前後に延び、読み手自身の言い間違いまで「正しい語」に書き換えました。
  • 正しい語に見える誤りは、手がかりなしでは見つかりません。「内製化」が「内成果」になった誤りは、どちらのモデルも「成果」と読んで直しませんでした。
  • 辞書の読み候補から選ばせる方法は、安定しませんでした。正解は候補の 1 位に入っていても、モデルが正しく選んだのは 10 回中 3〜4 回でした。
  • 音声認識の側にも直せる問題がありました。ストリーミングの既定の設定では文の末尾が欠け、設定を 1 つ変えると欠けがなくなりました。

Findings

わかったこと

3 / 20 → 11 / 20

用語集で、直る数が約 4 倍

2 つのモデルの 4 つの設定で、直した数の合計です。用語集なしでは 20 か所中 3 か所、ありでは 11 か所でした。用語集には、5 か所のうち 3 か所の正解そのものが入っています。

約 10 倍

思考は遅く、余計に直す

思考ありは 1 回 4〜10 分かかりました。直す数は用語集ありで 2〜3 か所から 3 か所に増えただけで、言い間違いまで書き換える回が出ました。

3〜4 / 10

候補があっても選べない

辞書の読み検索で正解を候補に入れても、モデルが正解を選んだのは 10 回中 3〜4 回でした。同じ候補と文脈でも、回によって選ぶ語が変わりました。

5 / 16 → 0 / 16

音声認識は設定で文末が戻る

既定の設定では 16 文中 5 文の末尾が欠けました。確定の方式を変えると欠けはなくなりましたが、長い発話で同じ文が重なる問題が残りました。

結論:考えさせるより、言葉を渡す

訂正の精度を決めたもの

用語集正解の語を知っているかどうかで決まる

誤認識の多くは、文脈だけでは元の語を当てられません。その分野の語を渡すと、思考なしでも数十秒で直り、正しい行を書き換えることもありませんでした。

思考直す数より、直しすぎが増える

思考ありは、話し手が実際に言った言い間違いや表記の揺れまで「直す」ことがありました。文字起こしは話した通りに残すのが目的なので、これは誤りです。


Setup

資料と条件

誤認識正しい語種類
執筆集一郎執筆者一覧2 語にまたがる。後半は人名のような語になった
正解正会員正しい語に見える。音が 2 つ足りない
内成果内製化読みは同じ(ナイセイカ)
戦略陣地戦略人事読みが近い。用語集に入っていない。読み上げの前の独り言の中
(人名)(人名)姓と名の 2 文字が、読みが同じ別の漢字になった。用語集には誤った側の漢字を入れていた

台本との照合

台本との違い箇所文字
誤認識(上の表のうち、台本の範囲の 4 か所)48
読み手の読み間違い・言い直し(音声認識は話した通りに書いていた)27
表記の違い(「出来ない」と「できない」など。読みは同じ)817
合計1432
台本 405 文字(空白と句読点を除く)。文字誤り率は 7.9% ですが、音声認識そのものの誤りは 8 文字(約 2%)です。

Speech recognition

音声認識:文末が欠ける

ストリーミングの文字起こしは、話している途中の音声を何度も認識し直します。この認識し直しの扱いで、出力が大きく変わりました。

設定結果
--live(3 秒ごとに直近 10 秒を認識)同じ文が約 3 回ずつ重なって出る
--stream-json --vad、既定の確定方式重なりはないが、文の末尾が欠ける。別の録音の先頭 75 秒で 16 文中 5 文
同上、--stream-final-mode prefix末尾の欠けは 16 文中 0 文。ただし 10 秒を超える発話で同じ語句が重なり、1 か所に文字化け(U+FFFD)が残った

Correction

LLM による訂正

29 文をまとめてモデルに渡し、誤認識だけを直すよう指示しました。揺らぎ(温度)は 0.1 です。

8 つの設定を 1 回ずつ

設定直した数(5 か所中)直すべきでない箇所の書き換え時間
モデル A・用語集なし・思考なし0なし28.6 秒
モデル A・用語集あり・思考なし2なし16.4 秒
モデル A・用語集なし・思考あり1言い間違い 1333.7 秒
モデル A・用語集あり・思考あり3なし299.7 秒
モデル C・用語集なし・思考なし0なし45.1 秒
モデル C・用語集あり・思考なし3なし(文字化けも直した)35.6 秒
モデル C・用語集なし・思考あり2(+一部 1)言い間違い 1587.9 秒
モデル C・用語集あり・思考あり3言い間違い 1、表記 1519.2 秒
「言い間違い」は、読み手が台本と違う語を読んだ箇所を、台本の語に直したもの。「表記」は「出来ない」を「できない」に変えたもの。「一部」は 2 語のうち前半だけを直したもの。人名はどの設定も直していません(用語集の表記が誤っていたため)。「できない」は台本と同じ表記ですが、話した通りかどうかは表記からは決まらないので、書き換えとして数えました。

用語集ありを 5 回ずつ

1 回だけでは偶然の差と区別できないので、用語集ありの 4 つの設定を 5 回ずつくり返しました。

設定(用語集あり)直した数(5 か所中)書き換えがあった回時間
モデル A・思考なし5 回とも 20 / 525 秒
モデル C・思考なし5 回とも 30 / 540 秒
モデル A・思考あり5 回とも 32 / 5269〜350 秒
モデル C・思考あり5 回とも 35 / 5345〜551 秒
思考なしの時間は 1 回目の値。同じ入力のくり返しなので、2 回目以降はプロンプトの読み込みが再利用され、6〜18 秒になりました。モデル C・思考ありの書き換えは、5 回とも読み手の言い間違い、うち 3 回は表記も。

Dictionary

辞書の読み候補を渡す

実際の使い方では、正解の入った用語集は用意できません。そこで用語集の代わりに、一般の辞書から読みの近い語を探して候補として渡す方法を試しました。辞書は SudachiDict(2026-10-15 版)の名詞、約 234 万語です。

誤認識読みの近い語の検索候補 5 語から選ばせた結果(10 回)
内成果内製化が 1 位(読みが同じ)内製化 4、別の語 6
戦略陣地戦略人事が 1 位戦略人事 3、別の語 4、変えない 3
執筆集一郎前半の執筆者は候補に入る。一覧は 1,247 件中 329 位執筆者だけ 7、別の語 3
正解正会員は 3,738 件中 3,727 位で候補に入らない変えない 8、別の語 2
候補は読み検索の上位 5 語を機械的に選び、回ごとに順番を入れ替えた。指示文は 2 通り × 5 回。どこが誤りかはこちらから指定した。使ったのはモデル C・思考なし。

Limits

条件と制限