AI英会話のデメリットは何か。公式ドキュメントに明記された仕様の制限から、構造的にできないことを並べた

「AI英会話のデメリット」を感想で並べても、次に何をすればいいのかは出てこない。

AI英会話の中身は、音声認識・言語モデル・音声合成という別々の部品でできていて、その部品を売っている会社はできることとできないことを仕様として公開している。

だからデメリットは、使い心地の話ではなく仕様の制限として読み直せる。

仕様として読むと、良いことが1つある。

設定や使い方で回避できるものと、構造的に回避できないものが、はっきり分かれるということだ。

この記事では、マイクロソフト・グーグル・OpenAI が公開している開発者向けドキュメントの記述だけを材料にして、制限を1つずつ並べていく。

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英会話のデメリットは、性能不足ではなく仕様の制限から出てくる

先に答えを置く。

公式ドキュメントに明記された制限だけを拾うと、デメリットは次の7つに整理できる。

デメリット	どのドキュメントに書かれているか	回避
発音の採点が使える言語が33ロケールに限られる	Azure Speech の言語サポート	✕ 仕様
イントネーションや音節の採点が en-US だけ	Azure の発音評価	✕ 仕様
参照テキストが無いと採点の土台が変わる	Azure の発音評価	◎ 読み上げ課題にする
同時に話す声や雑音が「無視」されうる	Google のベストプラクティス	◎ 環境とマイク
語彙の外にある固有名詞は認識されない	Google のベストプラクティス	◯ 事前にヒントを渡す
速く返すほど文字起こしの質が落ちる	OpenAI のリアルタイム文字起こし	◯ 設定で調整
表情・視線・間はデータとして存在しない	扱う入力が音とテキストだけ	✕ 構造

⇒ 7つのうち、使い方で小さくできるのは4つ。残る3つは仕組みの側の限界で、工夫では消えない。

以下、1つずつ出典を当てながら開けていく。

AI英会話のデメリット①｜発音の採点が効く言語は33ロケールに限られる

ここは、多くの人が「アプリの出来が悪い」と受け取っている部分だ。

マイクロソフトの言語サポート一覧には、発音評価について「このセクションの表は、発音評価でサポートされている 33 のロケールをまとめたものです」と書かれている（Azure Speech の言語と音声のサポート）。

同じ場所に「既定の言語は en-US です」ともある。

つまり、何も指定しなければ米国英語で採点されている。

そして33ロケールの表に載っている英語は、en-AU（オーストラリア）en-CA（カナダ）en-GB（イギリス）en-IN（インド）en-US（米国）の5つだ。

一方、音声テキスト変換の側には英語のロケールがもっと多く並んでいる。

• 音声テキスト変換の英語＝en-AU en-CA en-GB en-GH en-HK en-IE en-IN en-KE en-NG en-NZ en-PH en-SG en-TZ en-US en-ZA の15。
• 発音評価の33ロケール表に載る英語＝上記のうち5つ。
• 差の10ロケールは、文字にはなるが採点の対象として表に無い。

⇒ 「認識はされているのに点が出ない」「点が妙に甘い」と感じる場面は、まずロケールの問題として疑うのが筋になる。

同じドキュメントは「たとえば、英国英語を学習している場合は、en-GB として言語を指定する必要があります」と、指定を利用者側の作業として書いている。

ここが、AI英会話のデメリットのうち最も分かりにくい1つ目だ。設定画面に出てこないなら、こちらからは触れない。

AI英会話のデメリット②｜細かい採点は en-US でしか返ってこない

ロケールを合わせても、全部の指標が返るわけではない。

マイクロソフトの発音評価のドキュメントには、次の3つの限定がそのまま書かれている。

• 「プロソディ評価は、en-US ロケールでのみ利用可能です。」（ストレス・イントネーション・話す速度・リズムの採点）
• 「発音評価では、IPA と SAPI を使用した en-US でのみ音節グループがサポートされます。」
• 音素名は「IPA を使用した en-US での音素名と、SAPI を使用した en-US および zh-CN での音素名」がサポートされ、「他のロケールでは、音素スコアのみを取得できます」。

⇒ イギリス英語やインド英語を選ぶと、「どの音がどう崩れたか」の名前が返らず、点数だけになる。

しかも、この差は総合点の計算式にまで波及する。

同ドキュメントには、総合点 PronScore の式が「精度、プロソディ、流暢さ、完全性のスコアを低から高（各スコアが使用可能な場合）に並べ替え、最も低いスコアから s0 から s3 までの最高スコアを表す」形で公開されている。

状況	総合点の式	最低点にかかる重み
プロソディ スコアがある（en-US）	0.4 * s0 + 0.2 * s1 + 0.2 * s2 + 0.2 * s3	0.4
プロソディ スコアが無い	0.6 * s0 + 0.2 * s1 + 0.2 * s2	0.6

⇒ プロソディが返らないロケールでは、いちばん低い項目の重みが 0.4 から 0.6 へ上がる。

指標が1つ減るぶん、残った弱点が総合点をより強く引っぱる、という構造だ。

ついでに書いておくと、イントネーションのエラー分類も広くはない。ドキュメントには「イントネーションに関連するエラーの種類。現在は Monotone のみをサポートしています」とある。

⇒ 返ってくるイントネーションの指摘は、事実上「単調かどうか」の1種類に寄っている。

AI英会話のデメリット③｜自由に話すと、採点の土台そのものが入れ替わる

これが、点数のブレでいちばん大きい要因だ。

発音評価には、読み上げる文（参照テキスト）を渡す「スクリプト化された評価」と、渡さない「スクリプトなしの評価」がある。

そして公式ドキュメントは、後者について次のように書いている。

「スクリプトなしの評価では、使用される音声テキスト変換 (STT) モデルは、STT Azureとは異なります。非常に正確に認識されたテキストに基づく評価が必要な場合は、最初Azure STT を呼び出して参照テキストを取得してから、スクリプト化された評価を実行することをお勧めします」（訳文のまま）。

⇒ 自由会話の点数と、読み上げ課題の点数は、そもそも同じ土俵に無い。

指標の定義を見ても同じことが言える。CompletenessScore は「音声の完全性。入力参照テキストに対する発音された単語の比率によって計算されます」と定義されている。

比べる相手（参照テキスト）が無ければ、この指標は意味を持たない。

既定値のクセも、期待値をずらす原因になる。

設定	公式の既定値	そのままだと何が起きるか
GradingSystem	FivePoint（0〜5の浮動小数点）	100点満点だと思って見ると解釈がずれる。HundredMark で0〜100になる
EnableMiscue	False	読み飛ばし（Omission）や言い足し（Insertion）が判定されない
Granularity	Phoneme	最小単位まで返るが、フルテキストだけ見ると細部が捨てられる

さらに、長さの制約もある。「オーディオ ファイルが 30 秒を超える場合は、処理に連続モードを使用します」と明記されている。

⇒ 長く話すほど、アプリ側の実装しだいで採点の扱いが変わりうる。

加えて、語彙・文法・トピックの関連性を返していた「コンテンツ評価」については「コンテンツ評価 (プレビュー) は、Speech SDK バージョン 1.46.0 以降から廃止されます」と書かれ、チャットモデルで代替する案内に置き換わっている。

採点の中身は固定ではなく、こちらの知らないところで入れ替わる。これもデメリットとして数えておくべき性質だ。

AI英会話のデメリット④｜雑音と、重なり合う発話にはっきり弱い

ここはグーグルのドキュメントがいちばん率直に書いている。

Cloud Speech-to-Text のベストプラクティスには、こうある。

• 「Multiple people talking at the same time, or at different volumes may be interpreted as background noise and ignored.」（同時に話す人、音量の違う人は背景雑音とみなされ無視されることがある）
• 「Excessive background noise and echoes may reduce accuracy, especially if a lossy codec is also used.」（過度な雑音と反響は精度を下げる。非可逆コーデックと重なるとなおさら）
• 「The recognizer has a very large vocabulary, however terms and proper names that are out-of-vocabulary will not be recognized.」（語彙は非常に大きいが、語彙の外にある語や固有名詞は認識されない）

⇒ 家族の声・テレビ・カフェの話し声は、「うまく拾えない」のではなく「雑音として捨てられる」。

そして、よかれと思ってやる対策が逆効果になる場合まで書いてある。

「applying noise-reduction signal processing to the audio before sending it to the service typically reduces recognition accuracy」＝送る前にノイズ低減処理をかけると、ふつうは認識精度が落ちる。

同じ節には「All noise reduction processing should be disabled.」（ノイズ低減処理はすべて無効にすべき）「Do not use automatic gain control (AGC).」（自動ゲイン調整を使わない）とも並んでいる。

録音の質そのものにも下限がある。Cloud Speech-to-Text の概要は 16000 Hz のサンプルレートを基準に置き、これを下回る値は認識品質を損なう（impair speech recognition quality）と書いている。

認識結果が空で返ったときの原因も名指しされている。「Unrecognized speech is commonly the result of very poor-quality audio, or from language code, encoding, or sample rate values that don’t match the supplied audio.」＝音質が極端に悪いか、言語コード・エンコード・サンプルレートが音声と合っていないときだ。

⇒ 「AIが自分の英語を理解してくれない」の相当部分は、発音ではなく録音環境の話でありうる。

AI英会話のデメリット⑤｜扱える入力が音とテキストしかない

これは性能ではなく、入力の種類の話だ。

音声認識に入るのは音、言語モデルに入るのはテキスト、音声合成から出るのも音だ。

この3つの経路のどこにも、表情・視線・体の向きは入っていない。

• 相手の表情や視線を読む力。入力に存在しないので、鍛える材料がそもそも無い。
• 話しかけるタイミングを決める力。会話が始まる前の判断なので、セッションの外にある。
• 通じなかったときの気まずさへの耐性。相手が困らない以上、この負荷はかからない。

「誰が話したか」すら返らない場合もある。

OpenAI のリアルタイム文字起こしのガイドには「gpt-live-transcribe doesn’t return word-level timestamps, speaker labels, or transcription confidence scores.」＝単語単位のタイムスタンプ、話者ラベル、文字起こしの信頼度スコアを返さない、と明記されている。

⇒ 「どの単語が怪しいか」を機械が自己申告してくれるとは限らない。

同ガイドは「Ordering between completion events from different speech turns isn’t guaranteed.」（別々の発話ターンの完了イベント間の順序は保証されない）とも書いている。

会話の順番すら、アプリ側が item_id で組み直して初めて成立する。ここを手抜きしたアプリでは、履歴の並びが崩れる余地がある。

AI英会話のデメリット⑥｜速く返るほど、文字起こしの質は落ちる

レスポンスの速さと正確さは、公式に「取引」として説明されている。

同じリアルタイム文字起こしのガイドの一文が、そのまま結論になっている。「Streaming transcription trades latency for transcript quality.」＝ストリーミング文字起こしは、遅延と文字起こしの品質を引き換えにする。

設定の段階も公開されている。

delay の設定	公式の説明
minimal	最も遅延に敏感なやり取り向け
low	低遅延のライブ字幕向け
medium	遅延と精度のバランス
high	即時表示より精度が重要なとき
xhigh	最も遅延を許容でき、文脈を多く取りたいとき

そして「Higher delay settings give the model more audio context before emitting text and can improve word error rate.」＝遅らせるほど文脈が増え、単語誤り率が改善しうる、と書かれている。

⇒ 会話が気持ちよく速いアプリほど、文字起こしの精度側を削っている可能性がある。

画面の文字が途中で書き換わるのも仕様だ。ガイドの本番向けチェックリストには「Decide how your UI should revise partial text when later deltas correct earlier text.」＝後続の差分が前の文字を訂正するとき、UIをどう書き換えるか決めておけ、とある。

会話側の Realtime API のガイドも、この領域を「barge-in, low first-audio latency, natural turn taking」（割り込み、最初の音までの低遅延、自然なターンの受け渡し）と名指しし、「Voice activity detection: Configure automatic turn detection.」＝自動のターン検出は設定するもの、として別ガイドに分けている。

⇒ 「話し終わったかどうか」の判定は既定値で決まっているだけで、万人に合う値ではない。

考えながら黙る時間が長い学習者ほど、この既定値と相性が悪くなる。

語彙のヒントにも限界がある。リアルタイム文字起こしの keywords について「Keywords are hints, not required output.」（キーワードはヒントであって、出力を強制するものではない）と書かれている。

AI英会話のデメリットは、回避できる4つと、できない3つに分かれる

ここまでの制限を、そのまま行動に落とす。精神論は入れない。

• ロケール設定を最初に確認する。 既定は en-US で、英国英語を学ぶなら en-GB を指定するよう公式が書いている。設定項目が無いアプリなら、米国英語基準で採点されていると考える。
• 細かい採点が欲しい日は米国英語で測る。 プロソディ評価も音節グループも en-US のみだからだ。学習の目標が英国英語でも、計測だけ分けるという手はある。
• 発音を測る日は読み上げ課題を使う。 参照テキスト無しでは使われるモデルが変わると公式が明記している。
• 自由会話の点数は推移だけ見る。 絶対値ではなく、同じ条件どうしの比較にとどめる。
• 静かな場所で、マイクを口に近づける。 同時に話す声は雑音として無視されうる、と書かれている以上、これは効く。
• 端末側のノイズキャンセルを切る。 送信前のノイズ低減はふつう精度を下げる、と公式が書いている。
• 固有名詞は言い換える。 語彙の外にある固有名詞は認識されない。練習の主題を固有名詞に置かない。
• 表情・間・空気を読む練習は、別の場面で用意する。 入力に存在しない以上、ここは埋まらない。

⇒ 上6つは今日できる。最後の1つだけが、AI英会話の外に出ないと解決しない。

デメリットを仕様として読む価値は、この線引きが自分で引けるようになることにある。

AI英会話のデメリットに関するよくある質問

Q. 発音の点数が毎回ばらつくのはなぜか。 A. 参照テキストの有無で使われる音声テキスト変換モデルが変わると公式ドキュメントに書かれている。読み上げ課題と自由会話を混ぜて比べているなら、比較自体が成立していない。

Q. イギリス英語で学びたいが、採点が雑に感じる。 A. プロソディ評価は en-US のみ、音節グループも IPA と SAPI の en-US のみと明記されている。感覚の問題ではなく、返る指標の数が違う。

Q. 総合点を効率よく上げるにはどこを直すか。 A. 総合点は最低スコアに 0.4、プロソディが無い場合は 0.6 の重みがかかる式で計算されている。いちばん低い項目を1つ潰すのが、式のうえでは最短になる。

Q. カフェや家族のいる部屋で練習してもいいか。 A. 同時に話す声や音量の違う声は背景雑音として無視されることがある、と公式ドキュメントにある。会話の練習としては成立しても、発音の計測には向かない。

Q. AI英会話だけで英語が話せるようになるか。 A. 音とテキストを扱う部分は仕組みのうえで練習できる。ただし表情・視線・間は入力に存在しないので、そこは別の場面が要る、という分け方になる。

まとめ｜AI英会話のデメリットは、仕様の制限として読めば大半が扱える

もう一度整理する。

• 採点が使える言語は33ロケールで、既定は en-US。音声テキスト変換には英語が15ロケールあるので、認識と採点の範囲は一致していない。
• プロソディ評価と音節グループは en-US のみ。 他のロケールは指標が減り、そのぶん最低点の重みが 0.4 から 0.6 へ上がる。
• 参照テキストの有無でモデルが変わる。 自由会話の点数と読み上げの点数は別物として扱う。
• 同時発話と雑音は「捨てられる」。 送信前のノイズ低減はむしろ精度を下げると公式が書いている。
• 速さと文字起こしの質は取引関係にある。 そして表情・視線・間は、どの部品の入力にも入っていない。

⇒ AI英会話のデメリットの多くは、設定と環境で小さくできる。残るのは「音とテキスト以外を扱えない」という1点だけだ。

そこを外に用意できるなら、制限を知ったうえで使うぶんには困らない道具になる。

※本記事の一次ソースはすべて2026-09-11に各公式ドキュメントで確認した。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。