AI英会話をやったあとで「自分が何を話したか」を文字で見直したい、という要望は多い。
画面には会話中もテキストが出ているのだから、それを保存すればいいように見える。
ところが公式の開発者向けドキュメントを読むと、会話中に出るテキストと、あとから起こすテキストは別の道具だと分かる。
入口のファイル上限も、返ってくるまでの時間も、精度を上げる手も違う。
この違いを知らないまま「復習用のログが弱い」と感じているケースは少なくない。
この記事では、AIの音声部品を売っている会社の公式ドキュメントの記述だけを材料にして、文字起こしの2つの経路を開けていく。
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英会話の文字起こしは「会話中」と「あとから」で別物だ
先に答えを置く。
| 経路 | 目的 | 公式での位置づけ |
|---|---|---|
| 会話中の文字起こし | 返事を作るための入力 | リアルタイムの文字起こしセッション |
| ファイル文字起こし | 録音済みの音声を1本ずつ起こす | File transcription。1ファイル25MBまで |
| バッチ文字起こし | 大量の録音をまとめて起こす | 非同期。結果はストレージへ書かれる |
⇒ 復習に向いているのは下の2つで、会話中に画面へ出ている文字ではない。
理由は、会話中のテキストが「返事を作るための途中経過」として作られているからだ。
後述するように、そこには速さを優先した割り切りが入っている。
AI英会話の会話中の文字起こしは返事を作るための材料だ
リアルタイムの文字起こしには、専用のセッションの形が用意されている。
公式ドキュメントの設定例は「This example uses 24 kHz PCM audio and disables automatic turn detection so that you can explicitly commit each turn.」と説明されている（Live transcription・OpenAI）。
24kHz の PCM 音声を流しながら、1ターンずつ区切りを確定していく形だ。
ここで効いてくるのが「区切り方」で、公式は文字起こし用のモデルによって扱いが違うと書いている。
「Models that support VAD default to server_vad, while gpt-realtime-whisper requires turn detection to be omitted or set to null.」
⇒ どこで文を切るかは、モデルごとに前提が違う。
会話中のテキストが途中で切れたり、あとから書き換わったりするのは、この区切りの確定が動いているからだ。
あとからのAI英会話の文字起こしには25MBの入口がある
録音を1本ずつ起こす経路には、はっきりした上限が書かれている。
「Files can be up to 25 MB. Supported input formats are mp3, mp4, mpeg, mpga, m4a, wav, and webm.」（File transcription・OpenAI）
⇒ 1ファイル25MBまで。対応する形式は7つ。
この上限は、録音の形式を決めるときに効いてくる。
無圧縮に近い形式で長時間の会話を録ると、25MBはすぐに埋まる。
一方で、音声認識の公式ベストプラクティスはロッシー圧縮が精度を下げうると書いている（Best practices・Google Cloud）。
⇒ ファイルを小さくする圧縮と、精度を保つ非圧縮が、真正面からぶつかる。
同ページは、帯域を節約したい場合に勧める順として AMR_WB、次に OGG_OPUS を挙げている。
AI英会話の録音をまとめて文字起こしする仕組み
数十回ぶんのレッスンをまとめて起こしたいなら、経路はもうひとつある。
Microsoft のバッチ文字起こしの公式ガイドは、仕組みをこう説明している。
「バッチ文字起こしでは、オーディオ データを送信し、文字起こしの結果を非同期的に取得します。サービスではオーディオ データを文字起こしし、その結果をストレージ コンテナーに格納します」（バッチ文字起こしの概要・Microsoft Learn）。
- 音声ファイルを置く（アップロードするか、既存のURIを指す）。
- 言語やモデルを指定して、文字起こしの仕事を投げる。
- 状態を確認して、できあがった結果を取りに行く。
⇒ 投げて、待って、取りに行く。会話中の文字起こしとは流れがまったく違う。
公式は効率のよい投げ方も指定していて、「1つの Transcription_Create 要求に約 1,000 個のファイルを送信して、全体的に送信する要求を減らします」と書いている。
AI英会話の文字起こしが返るまでの時間は式で示されている
待ち時間については、公式が珍しく具体的な数字を出している。
「ピーク時には、文字起こしジョブの処理が開始されるまでに最大 30 分、完了するまでに最大 24 時間かかる場合があります」。
そのうえで「90 パーセンタイル待機時間は 6 時間未満であると確信しています」と続く。
さらに、待ち時間を測るための式まで書かれている。
「正規化された待機時間 = ProcessDuration – AudioLength/5」。
| 記号 | 意味 | 公式の例 |
|---|---|---|
| AudioLength | 送った音声の合計の長さ | 120分 |
| ProcessDuration | 投げてから終わるまでの実時間 | 30分 |
| 正規化された待機時間 | 純粋な行列待ちの時間 | 30 − 120/5 = 6分 |
式の中の「5」について、公式は「システムが約 5 倍のリアルタイム速度でオーディオを処理することを意味します」と説明している。
⇒ 1時間の会話は、処理そのものにはおよそ12分かかる計算になる。
残りはすべて行列待ちだ、という分解ができる形になっている。
AI英会話の文字起こしは急かしても速くならない
同じページには、やっても無駄なことが明記されている。
「バッチ文字起こしは非同期であり、各リージョンは一度に 1 つずつ要求を処理します。より高いレートでジョブを送信しても、処理は高速化されません」。
1分あたり600件でも6,000件でも、スループットは変わらないと書かれている。
確認の頻度についても指定がある。
- 「10 分ごとに状態を確認するだけで十分」。
- 「1 分に 1 回以上ポーリングすることはお勧めしません」。
- 状態を見るなら「最初の 100 個のファイル」だけ確認すればよい。
⇒ 「まだか」と何度も聞く行為は、公式が名指しで止めている。
要求は数分ではなく数時間に分散せよ、とも書かれている。
AI英会話の文字起こしに固有名詞を通す3つの入力
あとから起こす経路には、精度を上げるための入力欄が用意されている。
公式は prompt・keywords・languages の3つを挙げ、使い分けを書いている。
| 入力 | 公式の説明 | 復習での使い道 |
|---|---|---|
prompt | 録音についての、構造化されていない文脈 | 「英会話レッスンの録音」などの状況説明 |
keywords | 拾わせたい語を並べる | 教材の固有名詞・人名・地名 |
languages | 入ると予想される言語 | 英語と日本語が混ざる会話 |
書式にも制約があり、公式は「Keep each keyword on one line and don’t include <, >, a carriage return, or a line feed.」と指定している。
これらの文字が混ざると「The API rejects the entire request」＝要求そのものが弾かれる、とも書かれている。
⇒ ヒントを渡す仕組みは用意されているが、渡し方は厳密だ。
AI英会話の文字起こしで言語が判定できないときに返るもの
結果の形にも、見落とされやすい仕様がある。
公式は、文字起こしの結果が本文と検出された言語をJSONで返すとしたうえで、こう書いている。
「When the model can’t make a reliable language prediction, it returns "languages": [].」
⇒ 自信がないときは、当てずっぽうの言語名ではなく「空」が返る。
短い相槌だけの音声や、英語と日本語が混ざった発話では、この空が返りうる。
なお公式は、話者のラベル・単語ごとの時刻・字幕形式・英語への翻訳が必要なときだけ専用モデルを使えとも書いており、通常の文字起こしとは別扱いにしている。
この「別扱い」は、復習の設計にそのまま効いてくる。
自分の発話とAIの発話を分けたい、どの時点で言い直したかを見たい、という要望は、通常の文字起こしの外側にある機能だからだ。
公式は話者を分ける専用モデルについて、30秒を超える音声では区切り方の設定を入れるよう求めており、条件も細かい。
⇒ 「誰がいつ話したか」まで欲しいなら、それは別の道具を呼ぶという判断になる。
AI英会話の文字起こしを復習に使うときの組み立て
ここまでの仕様を、学習者側の運用に落とすとこうなる。
- 会話中の画面テキストは、途中経過として見る。確定前に書き換わる前提の表示だ。
- 復習用のログは、あとから起こしたものを正とする。経路が違えば結果も違う。
- 録音の形式は先に決めておく。25MBの上限と、圧縮による精度低下の両方が効く。
- すぐ出てこなくても仕様の範囲。公式は最大24時間という数字を出している。
- 固有名詞は事前に渡す。教材の語を
keywordsに並べる入口が用意されている。
どれも英語力とは関係のない、道具の使い方の話だ。
文字起こしとAI英会話に関するよくある質問
Q. 会話中に出ていた文字と、あとで見たログが違うのはなぜか。 A. 公式は、会話中の文字起こしをターンごとに確定していく形として説明している。区切りの扱いはモデルによって違い、VADに対応するモデルは server_vad が既定になると書かれている。確定の途中で表示が変わる余地がある。
Q. 長い録音をそのまま投げられるか。 A. ファイル文字起こしは「Files can be up to 25 MB.」と明記されている。それを超える量をまとめて扱う経路として、非同期のバッチ文字起こしが別に用意されている。
Q. 結果が出るまで何時間も待つのは異常か。 A. 公式は「処理が開始されるまでに最大 30 分、完了するまでに最大 24 時間かかる場合があります」と書き、同時に「90 パーセンタイル待機時間は 6 時間未満」としている。待ち時間そのものは仕様の範囲に入る。
Q. 何度も確認すれば早く返ってくるのか。 A. 公式は「より高いレートでジョブを送信しても、処理は高速化されません」「1 分に 1 回以上ポーリングすることはお勧めしません」と書いている。確認の頻度を上げてもシステムの負荷が増えるだけだとされている。
Q. 教材の固有名詞が毎回崩れる。 A. keywords と prompt という入口が用意されている。ただし各キーワードは1行に収め、< > や改行を含めてはいけない。含めると要求全体が拒否されると書かれている。
まとめ｜AI英会話の文字起こしは「非同期の道具」だ
もう一度整理する。
- 経路は3つ＝会話中／ファイル／バッチ。復習に向くのは後ろの2つだ。
- ファイル文字起こしは1本25MBまで。対応形式は7種類と明記されている。
- バッチは非同期で、最大24時間。90パーセンタイルは6時間未満とされている。
- 処理速度の目安は実時間のおよそ5倍。式まで公開されている。
- 精度を上げる入口は
prompt・keywords・languagesの3つ。書式の制約がある。
⇒ 復習用のログが弱いと感じたら、疑うべきは英語力ではなくどの経路で起こしているかだ。経路が分かれば、打つ手も変わる。
※本記事の一次ソースはすべて2026-09-17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。
Comments