ScribeとOpenAIの4oテキスト変換モデルの比較

わずか1ヶ月で、当社のテキスト変換モデル Scribeは業界トップクラスの精度で、すでに数千社に導入されています。メディアの字幕、コールセンター、医療の書き起こしなど、Scribeはデベロッパーに選ばれるモデルとなっています。

業界最高レベルのパフォーマンス

複数の第三者分析で、Scribeがすべてのモデル（OpenAIの新しい4oテキスト変換モデルを含む）を上回る精度であることが確認されています。たとえば、Artificial Analysisのベンチマークでは、Scribeが4oおよび4o miniトランスクリプトよりも平均してWord Error Rateで優れていることが示されています：

• 4oテキスト変換はScribeよりも16％多く誤りを出します
• 4o miniテキスト変換はScribeよりも71％多く誤りを出します

Scribeは、OpenAI自身のベンチマークでも、4oおよび4o miniトランスクリプションモデルと同等以上の精度を11言語中15言語で達成しています。たとえば日本語やヒンディー語では、ScribeはOpenAIの4oモデルよりも大きな差で優れています（OpenAI自身のベンチマークより）：

• 日本語では、OpenAIの4oテキスト変換モデルはScribeよりも55％多く誤り、4o miniモデルでは105％多く誤ります
• ヒンディー語では、OpenAIの4oテキスト変換モデルはScribeよりも18％多く誤り、4o miniモデルでは37％多く誤ります

Scribeでは、お客様にとってより使いやすくなるよう設計上の工夫をしています。そのため、業界ベンチマークと一致しない場合もあります。たとえば：

1. Scribeは「one」「two」「three」のように数字を単語で記録しますが、FLEURSベンチマークでは「1」「2」「3」と数字で記録するため、誤りとしてカウントされます
2. Scribeは「hum」「ha」「hey」などの言葉も検出でき、より多くの文脈を得られますが、これらの単語はベンチマークに含まれていないため、人工的に誤りとされます

そのため、パフォーマンスを考える際は最終的な結果を見ることが重要です。たとえば英語では、OpenAIの4oテキスト変換モデルとScribeはベンチマーク上では同等ですが、実際の英語トランスクリプトを比較すると、Scribeの高度な機能が際立ちます。

トランスクリプト比較

このトランスクリプト分析は、イギリス議会公聴会のもので、Scribeがアクセントや声のトーン、バックグラウンドノイズや笑い声まで正確に捉え、ミスなく記録していることが分かります。

ElevenLabsのScribe（トランスクリプト作成時間：4.66秒）

ご質問してもよろしいでしょうか？この場所を、特に障害のある同僚のために、より利用しやすくするためにどのような取り組みが行われているのでしょうか？ヒアヒア。（ざわめき） すみません、私の南半球出身が関係しているのかもしれません。もう一度質問を繰り返していただけますか？聞き取れませんでした。（笑い声）わあ。今日はとても人気ですね。えっと、私は…私は言っていたのですが、 障害のある議会の同僚の中には、敷地内の一部を移動するのがかなり難しいと感じている方もいます。改修工事をしている今、障害のある方がもっと自由に移動でき、この場所がより利用しやすくなるためには何ができるでしょうか？ポールさん。（笑い声）本当にすみません。 どうか、南半球英語でゆっくり話していただけますか？ ありがとうございます。どんな答えでも大丈夫です。私は…私は答えが…答えが役立つかもしれないと思います もし書面でご返答いただければ読まれるときに、スピーカーさん。はい、クリス・エルモアさん。（笑） ありがとうございます、副議長。最初からやってみます。（ざわめき）ああ、だめだ。あなたはウェールズ人ですね。私は…私は…私は…だって私もウェールズ人なので、神様、助けてください。

OpenAIの4o（トランスクリプト作成時間：5.01秒）

ご質問してもよろしいでしょうか？ この場所を、特に障害のある同僚のために、より利用しやすくするためにどのような取り組みが行われているのでしょうか？すみません、私の南半球出身が関係しているのかもしれません。もう一度質問を繰り返していただけますか？聞き取れませんでした。今日はとても人気ですね。私は、 障害のある議会の同僚の中には、敷地内の一部を移動するのがかなり難しいと感じている方もいます。改修工事をしている今、障害のある方がもっと自由に移動でき、この場所がより利用しやすくなるためには何ができるでしょうか？本当にすみません。 どうか、南半球英語でゆっくり話していただけますか？答えが役立つかもしれません もし書面でご返答いただければ読まれるときに。ありがとうございます、副議長。最初からやってみます。なぜなら 私はウェールズ人なので、神様、助けてください。

吃音のある方へのアクセシビリティと書き起こし

AIが進化するたびに、見落とされがちなグループが大きな恩恵を受けています。それが吃音のある方です。吃音は人口の約1％が抱える遺伝性の発話障害で、自動音声認識（ASR）システムにとって独特の課題となります。吃音が約4語に1語の割合で含まれるテストサンプルでの調査では、Scribeは平均98.7％の精度を記録しました。これにより、Scribeが業界をリードし、あらゆるエンタープライズニーズに応えるモデルであることが改めて証明されました。

エンタープライズ向けソリューション

Scribeは、エンタープライズのお客様の課題解決に特化した機能を備えています。

• 単語単位の正確なタイムスタンプにより、クリエイターやメディア・エンターテインメント分野で、トランスクリプトを字幕や検索可能なデータ、正確な翻訳に活用できます
• スマートな話者識別で、会議や営業、カスタマーサポートの通話を要約し、最も正確で実用的なインサイトを得て、チーム間の連携やトレーニングを強化できます
• ダイナミックなオーディオタグ付けで、音声入力からより多くの情報や文脈を取得し、たとえば感情分析などに活用できます
• 99言語対応で、1回の統合で世界中にリーチ可能
• これらすべての機能はAPIで利用でき、デベロッパーは妥協なく開発できます
• Scribeのリアルタイムストリーミング版と低遅延版も、今後数週間でリリース予定です。これにより、Scribeはこれまでで最も高度なテキスト変換モデルとなり、あらゆるビジネス用途をカバーし、スピード・価格・精度の選択肢と柔軟性を提供します。

今すぐ始めましょう

Scribeを今すぐ体験、ウェブ版は4月9日まで無料です。Scribeの料金は非常に競争力があり、エンタープライズのお客様向けに1時間あたり$0.22からご利用いただけます。お気軽に営業チームにお問い合わせください。デモのご案内や、ビジネスへの活用方法をご提案いたします。