音声認識APIベンチマーク：Whisper vs ElevenLabs vs CAMB.AI（精度＋レイテンシー）

2人の話者、ほどほどの背景ノイズ、時折の被り発話がある30分のポッドキャストのエピソード。あなたは、オーディエンスが話す言語で、5分以内に正確な文字起こしを必要としています。選ぶ音声認識APIによって、その文字起こしが使えるものになるか、1時間の手作業の手直しを要するものになるかが決まります。

すべてのSTT APIが、実際の音声で同じように動作するわけではありません。クリーンな録音についてのベンダーのベンチマークは1つの物語を語ります。訛り、被る話者、環境ノイズのある本番音声は、まったく別の物語を語ります。

ここでは、広く評価されている3つの音声認識API、Whisper、ElevenLabs Scribe、CAMB.AIを、重要な指標で比較します。

Whisper、ElevenLabs、CAMB.AIをどう比較したか

各APIは、本番の成果に直接影響する5つの基準で評価しました。実世界の音声での精度、リアルタイムおよびバッチ文字起こしのレイテンシー、言語カバレッジ、話者ダイアライゼーションの品質、そして大規模利用時の料金です。目的は、独自のテストを実施する前に適切なAPIを絞り込めるだけの情報を提供することです。

Whisper：オープンソースの基準

Whisperが文字起こしをどう扱うか

OpenAIのWhisperは、68万時間の多言語ウェブ音声で学習されたオープンソースモデルです。現在のファミリーには、複数のモデルサイズと、より高速なturboバリアントが含まれます。Whisperは98言語に対応し、英語への翻訳機能を内蔵しています。

精度とレイテンシー

Whisperはクリーンな英語音声でよく機能し、報告されている単語誤り率は音声条件により4%から8%の範囲です。ノイズが多く複数話者の録音では、精度がより顕著に低下します。OpenAI自身のドキュメントは、言語や方言による性能のばらつきを指摘し、出力に幻覚的なテキストが含まれる可能性があると警告しています。Whisperはバッチ専用のモデルです。ネイティブのリアルタイムストリーミングエンドポイントはありません。ライブ文字起こしを必要とする開発者はチャンク分割の回避策を作ってきましたが、それらはストリーミングネイティブのAPIに比べてレイテンシーとエンジニアリングの複雑さを増します。

言語対応

98言語に対応していますが、精度は言語によって異なります。英語やスペイン語のような高リソース言語での性能は高いです。低リソース言語では誤り率が高くなります。Whisperには話者ダイアライゼーションが内蔵されておらず、外部ツールを必要とします。

料金

オープンソースモデルは自己ホストなら無料ですが、インフラ費用（GPU計算、スケーリング、保守）が積み重なります。OpenAIのマネージドAPIは、whisper-1およびgpt-4o-transcribeで1分あたり0.006ドルを課金します。

ElevenLabs Scribe：統合された音声スタック

ElevenLabsが文字起こしをどう扱うか

ElevenLabsは、バッチ文字起こし向けのScribe v2と、ライブアプリケーション向けのScribe v2 Realtimeを提供しています。プラットフォームは主に音声合成で知られており、テキスト読み上げとSTTの製品は統合された課金システムを共有しています。

精度・レイテンシー・言語対応

ElevenLabsは、標準的なベンチマークで1.7%から3.9%のWER値を報告しています。リアルタイムのレイテンシーは約150msを目標としています。Scribe v2は、90以上の言語、単語単位のタイムスタンプ、話者ダイアライゼーション、最大1,000のドメイン固有用語のキーワードプロンプティングに対応します。音声形式の対応は、8～48kHzのPCMとu-lawエンコーディングに及びます。

料金

サブスクリプション制で、使用量に応じた超過料金があります。バッチ文字起こしは1時間あたり0.22ドルです。リアルタイム文字起こしは、ティアに応じて1時間あたり0.39～0.48ドルです。

CAMB.AI：完全なローカリゼーションを備えた本番グレードの文字起こし

CAMB.AIが文字起こしをどう扱うか

CAMB.AIは、音声認識を完全なローカリゼーションパイプラインの中の1つのレイヤーとして捉えています。文字起こしは、150以上の言語での翻訳・吹き替え・字幕生成へ直接つながり、世界の話者人口の99%をカバーします。ほとんどのSTT APIが文字起こしで止まるのに対し、CAMB.AIは文字起こしを後工程のワークフローと結び付けます。一度のアップロードで、DubStudio内の同じソースファイルから、文字起こし、翻訳した字幕、吹き替え音声トラックを生み出せます。

精度とレイテンシー

CAMB.AIは話者ダイアライゼーションをネイティブに備え、追加費用なしで個々の話者を識別・分離します。スポーツ実況、インタビュー、パネルディスカッションのような複数話者コンテンツを扱うチームにとって、文字起こしには最初から話者ラベルが含まれます。プラットフォームは、言語ごとに1万時間以上のプレミアムデータで学習されたモデルにより、さまざまな訛りやノイズの多い音声条件に対応します。CAMB.AIはSOC 2 Type II認証を取得しており、規制業界のチームや企業の調達サイクルにおいて重要となります。

言語対応とローカリゼーション

150以上の言語に対応しており、これはここで比較した3つのAPIの中で最も広いカバレッジです。さらに重要なのは、文字起こしがAI吹き替えと字幕生成に直接つながる点です。これにより、文字起こしは単なるテキストファイルではなく、完全な多言語コンテンツの出発点になります。

料金

CAMB.AIは、DubStudioを通じて無料ティアを提供しています。有料プランは使用量に応じてスケールします。文字起こしに加えて翻訳や吹き替えを必要とするチームにとって、バンドルされたパイプラインは、STT・翻訳・TTSの各ベンダーをつなぎ合わせるよりも費用対効果に優れます。

並べて比較

どの音声認識APIを選ぶべきか

選択は、文字起こしの後に何が起きるかによって決まります。完全な制御を望み、すでにGPUインフラを持っているなら、Whisperは自己ホストできるオープンソースの基準を提供します。ダイアライゼーションとストリーミングのために独自のパイプラインを構築することを見込んでおきましょう。音声エージェント向けにSTTとTTSの統合スタックが必要なら、ElevenLabsは文字起こしと音声合成の緊密な統合を提供します。ワークフローが文字起こしを超えて、大規模な翻訳・吹き替え・字幕へ及ぶなら、CAMB.AIは1つのプラットフォームの中で、150以上の言語にわたりSTTを完全なローカリゼーションパイプラインと結び付けます。

あなたの音声は、文字起こし以上のものに値する

文字起こしは最初の一歩です。真の価値は、新しい言語のオーディエンスに届くこと、字幕を生成すること、あるいはグローバル配信のためにコンテンツを吹き替えることから生まれます。5つの異なるツールをつなぎ合わせることなく音声を多言語コンテンツに変える準備ができたなら、あらゆるステップを結び付けるプラットフォームから始めましょう。