句読点はAI英会話の文字起こしでどう付くのか。自動付与と大文字化の仕様を公式ドキュメントから分解した

AI英会話の画面に出てくる英文には、たいてい句読点が付いている。

しかし、話した本人は「ピリオド」とも「カンマ」とも声に出していない。

音として存在しなかったものが、テキストには存在している。

つまり句読点は、発話の記録ではなく、認識が終わったあとに機械が足した推測である。

この推測には名前があり、設定項目があり、オンとオフがあり、言語によって使えるものと使えないものがある。

そこが分かると、AI英会話の画面に出た英文を「自分が話した英語の写し」として読むのは危ういと分かる。

この記事では、音声認識の部品を売っている会社の開発者向けドキュメントの記述だけを材料にして、句読点がどの工程で、何を根拠に付くのかを開けていく。

サービスの順位づけはしない。仕組みの話だけをする。

【結論】AI英会話の句読点は、聞き取りではなく「表示用の書式設定」が付けている

先に答えを置く。

音声認識の出力は1種類ではなく、聞き取った直後の形と、人が読むために整えた形が別々に存在する。

マイクロソフトは後者について「音声テキスト変換での表示テキストの書式設定」という専用ページを用意し、そこに4つの機能を並べている。

機能	公式ドキュメントでの説明
逆テキスト正規化（ITN）	言語化されたフォームを対応するシンボリックな書き込み形式に変換する
大文字化	読みやすさ、正しさ、文法を向上させるために大文字にする必要がある単語を認識する
不要な言葉の除去	口ごもりやつなぎ言葉を認識し、表示テキストから除去する
句読点	テキストに自動的に句読点を付けてわかりやすくする

この4つはどれも「何を聞き取ったか」ではなく「どう見せるか」の工程だ。

⇒ AI英会話の画面に出ている英文は、聞き取った結果そのものではなく、読みやすく整形されたあとの版である。

出典は音声テキスト変換での表示テキストの書式設定（Microsoft Learn）で、上の4項目はこのページの見出しがそのまま並んでいる。

AI英会話の句読点①｜既定ではそもそも句読点が付かない仕様もある

句読点は、どのサービスでも最初から付いているわけではない。

グーグルの Cloud Speech-to-Text は、自動句読点について次のように書いている。

• 何も指定しない既定の状態では、文字起こしの結果に句読点は一切入らないと明記されている。
• リクエスト側で有効にすると、ピリオド・カンマ・疑問符の存在を自動的に推論して文字起こしに追加する。
• 有効にするスイッチの名前は enable_automatic_punctuation である。

ここで重要なのは、推論の対象が「ピリオド・カンマ・疑問符」の3種類だと明記されている点だ。

感嘆符やセミコロンやダッシュは、この説明の中に出てこない。

つまり、AI英会話の画面に感情的な感嘆符が並ばないのは、あなたの話し方が平坦だからではない。

そもそも、その記号を足す工程が動いていないというだけのことがある。

詳細はEnable automatic punctuation（Google Cloud）にある。

AI英会話の句読点②｜句読点が付くと、その直後の文字が自動で大文字になる

句読点と大文字は、別々の機能ではなく連動している。

グーグルの同じページには、自動句読点を有効にすると、各ピリオドと疑問符のあとの最初の文字も自動的に大文字にする、と書かれている。

マイクロソフト側も、文の先頭に来る単語と固有名詞を自動的に大文字にすると説明している。

この規則を別の英文に当てはめると、処理の前後はこう変わる。

認識直後の文字列	書式設定を通した表示
she works at i b m in london	She works at IBM in London.
i bought a second hand bike	I bought a second-hand bike.
where did you park the car	Where did you park the car?

左の列には、大文字も句読点もハイフンも1つも入っていない。

右の列に見えている整った英文は、聞き取りの成果ではなく、書式設定の成果ということになる。

⇒ 学習者が「自分の英語はきれいに出た」と感じるとき、その半分は書式設定が担当している。

AI英会話の句読点③｜数字・時刻・メールアドレスは記号の形に書き換えられている

句読点の隣で、もっと大きな書き換えが同時に走っている。

逆テキスト正規化（ITN）と呼ばれる工程で、たとえば「よん」という音声は「4」という記述形式に変換される。

マイクロソフトのドキュメントは、この処理について「音声テキスト変換サービスがこのプロセスを完了し、これは構成できません」と書いている。

構成できない、つまり利用者側がオフにできない工程だという意味だ。

サポートされているテキスト形式として挙がっているのは、日付、時刻、小数点、通貨、住所、メール、電話番号などである。

こちらも、同じ種類の書き換えを別の英文で並べてみる。

認識直後の文字列	書式設定を通した表示
the class begins at nine thirty a m	The class begins at 9:30 AM.
the average was twelve point eight	The average was 12.8.
mail it to billing at example dot org	Mail it to billing@example.org.
we moved to forty two maple road	We moved to 42 Maple Rd.

ここには英語学習の観点で見逃せない点がある。

右の列を見ても、自分が nine thirty と言ったのか nine thirty a m と言ったのかは判別できない。

数の読み上げを練習している人にとって、画面の「9:30 AM」は答え合わせに使えない表示だ。

さらに、口ごもりやつなぎ言葉も別の工程で消える。

同じドキュメントは、i uh said that we can go to the uhmm movies という音声が I said that we can go to the movies. という表示になる例を載せている。

⇒ 「えーと」「あー」を連発しても、画面上はきれいな文になる。流暢さの自己評価をここでやると、実力を高く見積もることになる。

AI英会話の句読点④｜「ピリオド」と声に出して打つモードが別に用意されている

自動で推測させるのとは別に、句読点を口で指定する道がある。

マイクロソフトのドキュメントは、継続的認識で使う場合、明示的な句読点を認識するように構成できると書いている。

そのうえで、ディクテーション モードを有効にする命令として speechConfig.EnableDictation(); や speech_config.enable_dictation() を挙げている。

このモードでは、音声構成インスタンスが句読点など文構造の単語の表現を解釈する、という説明が付く。

• are you sure question mark は Are you sure? になる。
• they entered the room dot dot dot は They entered the room… になる。
• the options are apple forward slash banana forward slash orange period は The options are apple/banana/orange. になる。

この仕組みがオンになっていると、英語学習の場面では別の事故が起きる。

たとえば「period」「comma」「question mark」という単語そのものを英文の中で使いたいとき、それが記号に化ける余地がある。

逆に言えば、口述筆記のような用途では、複雑な句読点を後からマージせずに打てるという利点がある。

グーグル側も、機能一覧に「Enable spoken punctuation and spoken emoji」という項目を独立して持っている。

AI英会話の句読点⑤｜話している最中の途中表示には句読点が出ない

画面の英文が「あとから点が増える」ように見えるのは、気のせいではない。

マイクロソフトのキャプション付けのドキュメントには、部分的な結果と最終結果の違いが整理されている。

• 発話がまだ認識されている間、結果は Recognizing イベントとして返り、内容は変化しうる。
• 完全で最終的な文字起こしは Recognized イベントで返る。
• 同ページには「部分的な結果の句読点は使用できません」と明記されている。

句読点は、文が閉じたと機械が判断してから初めて付く。

だから、話しながら画面を見て「今の文は合っているか」を確かめる読み方は、原理的に途中経過を見ていることになる。

同ドキュメントは、待ち時間と精度のトレードオフについても書いている。

返す Recognizing イベントの数を減らして正確さを上げる設定として、StablePartialResultThreshold（頭に付く接頭辞は SpeechServiceResponse_）というプロパティが挙げられている。

⇒ 字幕が出るのが速いサービスと、字幕が整っているサービスは、同じつまみの両端にいる。

出典はキャプション付けの概要（Microsoft Learn）。

AI英会話の句読点⑥｜評価の世界では、句読点の間違いが別枠で数えられている

句読点が「おまけ」ではないことは、精度の測り方を見ると分かる。

音声認識の精度としてよく出る指標は単語エラー率（WER）だが、マイクロソフトはもう1つ、トークン エラー率（TER）という指標を用意している。

公式の説明によれば、TER は語彙形式に加えて、句読点、大文字小文字の区別、ITN などの表示形式の側面も考慮に入れる。

計算式は TER = (I+D+S)/N × 100 で、挿入・削除・置き換えを単語単位ではなくトークン単位で数える点だけが WER と異なる。

同ページに載っている評価結果のサンプルを見ると、その差がはっきりする。

• 単語エラー率（wordErrorRate1）は 0.0289。
• トークン エラー率（tokenErrorRate1）は 0.1212。
• 編集のうち punctuation が占める割合は20.0%。
• 編集のうち capitalization が占める割合は10.0%。
• 編集のうち inverseTextNormalization が占める割合は5.0%。

このサンプルでは、単語としてはほとんど当たっているのに、表示形式まで含めて数えると誤りの比率が跳ね上がっている。

しかも、その誤りの3割が句読点と大文字小文字で占められている。

⇒ 句読点は、開発側から見ても間違いが出やすい工程として、わざわざ別枠で計測されている。

数式と項目名はカスタム音声認識モデルのテストデータを評価する（Microsoft Learn）に出ている。

AI英会話の句読点⑦｜整形のルールは、サービス側がさらに書き足している

同じ音声認識を使っていても、出てくる見た目が違うことがある。

マイクロソフトのカスタム音声認識には、カスタム表示フォーマットという仕組みがあるからだ。

公式ドキュメントは、これを使うと独自の字句から表示へのフォーマット ルールを定義できると書いている。

セクション	用途	上限
#ITN	数値・住所・日付などの表示パターンを定義する	最大200行
#rewrite	大文字化やスペル修正のための書き換えペア	最大1,000行
#profanity	表示およびマスク出力からマスクする不要な単語のリスト	最大1,000行
#test	表示ルールが期待どおり動くかを確かめる単体テスト	最大10MBのファイル

ドキュメントに載っている例は、書き換えの効き方が一目で分かる。

カスタム書式設定なしでは「contoso の私の財務番号は 8BEV3 です」となる出力が、#rewrite と #ITN を足すと「Contoso の財務番号は 8B-EV-3 です」になる、という例だ。

⇒ 画面の見た目は、音声認識の性能だけでなく、サービス側が書いた整形ルールにも左右される。

仕様はカスタム音声認識のテストとトレーニングのデータ（Microsoft Learn）に書かれている。

句読点を足す工程は、音声認識の内側だけにあるとは限らない。

OpenAI の文字起こしのドキュメントは、プロンプトが役に立つ場面として「句読点、大文字化、フィラー語を保つこと」を挙げている。

これは裏を返せば、何もしなければ落ちたり変わったりしうる要素だという意味でもある。

同じドキュメントには、文字起こしの結果を言語モデルに渡して整える後処理の例も載っている。

• 後処理に渡すシステムプロンプトは、ピリオドとカンマ、それに大文字化といった必要最小限の書式だけを足すよう命じる文面になっている。
• もうひとつの例では、語そのものには手を触れず、句読点と段落の切れ目だけを入れさせる文面が使われている。
• 旧モデルの whisper-1 では、プロンプトに224トークンの上限があると書かれている。

ここまで来ると、画面の英文はもはや1つの部品の出力ではない。

音声認識が整形し、そのうえで言語モデルがもう一度整形した結果を見ていることがある。

詳細はFile transcription（OpenAI Platform）にある。

AI英会話の句読点を、学習者はどう読めばいいのか

ここまでの仕様を、使う側の行動に落とすとこうなる。

• 画面の英文を「自分の発話の逐語記録」として読まない。整形後の版である。
• フィラーの多さを画面で判定しない。除去の工程がある以上、画面には出ないことがある。
• 数字・時刻・メールアドレスの読み上げ練習は、表示テキストで答え合わせをしない。
• 話している最中の表示に点が無いことを、失敗の合図として受け取らない。
• 句読点の位置がおかしいと感じたら、自分の区切り方ではなく推論の外れを疑う余地がある。

逆に、句読点の位置は「どこで文を閉じたと機械が受け取ったか」の手がかりにはなる。

長い1文のつもりで話したのに短い文が3つ並んだなら、間の取り方が相手に別の意味で届いている可能性がある。

使えない情報として捨てるのではなく、何を測っている表示なのかを分けて読むほうが実用的だ。

AI英会話の句読点についてよくある質問

ここまでで触れきれなかった点を、質問の形で並べる。

Q. 句読点は必ず付くのか。 A. グーグルの Cloud Speech-to-Text は、既定では句読点を結果に含めず、リクエストで有効にしたときに追加すると書いている。付くかどうかはサービス側の設定しだいだ。

Q. どの言語でも同じように付くのか。 A. グーグルのページには、この機能に対応する言語の一覧を確認するよう促す注記があり、言語ごとの対応表を見るように案内されている。

Q. 自分で「ピリオド」と言えば打てるのか。 A. マイクロソフトはディクテーション モードで明示的な句読点を解釈すると説明しており、その例として「are you sure question mark」が「Are you sure?」になる表を載せている。

Q. 「えーと」を消してくれるのは良いことなのか。 A. 用途による。公式は、台本のない生の音声を文字起こしして後で読み直すための機能だと説明している。自分の流暢さを測る用途とは目的が違う。

Q. 句読点の誤りは精度に数えられているのか。 A. 単語エラー率には入らないが、トークン エラー率では punctuation という項目として別枠で集計されている。

まとめ｜AI英会話の句読点は、音の記録ではなく整形の結果である

この記事で分解したことを5点に整理する。

• 句読点・大文字化・ITN・フィラー除去は、聞き取りとは別の「表示テキストの書式設定」という工程にまとまっている。
• 自動句読点はピリオド・カンマ・疑問符を推論する機能で、既定では無効という仕様のサービスもある。
• ITN は数字・時刻・住所・メールなどを記号の形に書き換え、公式は「構成できない」と明記している。
• 話している最中の部分的な結果には句読点が使えず、点は文が確定してから付く。
• 句読点の誤りはトークン エラー率という別指標で数えられており、開発側でも外しやすい工程として扱われている。

AI英会話の画面に出る英文は、あなたの発話そのものではなく、読みやすさのために編集された版だ。

そこを分けて読めるだけで、画面から拾える情報の質は変わる。

※本記事の一次ソースは、各公式ドキュメントを2026-09-16および2026-09-18に取得した生テキストで確認した。仕様は更新されるため、最新は各公式ドキュメントで確認してほしい。