ワードエラー率（WER）：基本概念、計算式、活用方法

理論上、単語誤り率（WER）は、自動音声認識（ASR）ツールの精度を判断するための指標です。WERが低いほど最終的な文字起こしの精度は高く、誤り率が高いほど誤って文字起こしされた情報が多いことを示します。 

実際には、WERの差が、患者に必要な処方量を「15ミリグラム」ではなく「50ミリグラム」と記録してしまう医療文字起こしソフトウェアとを分けることがあります。また、顧客の要望を正確に文字起こしできるサポートツールと、ユーザーに不満を感じさせるツールとの差でもあります。

この記事では、WERとは何か、計算方法、自社のASRプロバイダーをベンチマークするための使い方を解説します。

要点

• 単語誤り率は、置換・削除・挿入の3種類のエラー数を、参照文字起こしの単語数で割って算出します。
• WERの式は、WER = （S + D + I）/ Nです。 
• WERスコアが低いほど、最終出力の精度は高くなります。
• WERが5％未満であれば良いベンチマークですが、法務・医療分野の文字起こしでは、さらに低い単語誤り率が必要になる場合があります。
• WERではすべてのエラーを同等に扱うため、文脈を踏まえた評価には完全な指標ではありません。Semantic Word Error Rate（SWER）などの新たな指標は、発話の意味が保持されているかを測定することで、この課題に対応しようとしています。

単語誤り率とは？

単語誤り率（WER）は、スピーチtoテキストモデルにおける音声認識精度を測る標準的な指標です。STTシステムが文字起こしで誤った内容を、置換・削除・挿入に基づいて0〜1で表します（0.8は80％の誤り率を示します）。

置換とは、単語が誤った別の単語に置き換わることです。削除は、単語が完全に抜け落ちることを指します。挿入は、実際には発話されていない単語が文字起こしに追加されることです。WERではこれら3つの要素をすべて使用し、正しい文字起こしの単語数で割ります。これにより、他のベンダーと比較できる数値が得られます。

WERの式は次のとおりです。

WER = （S + D + I）/ N

各記号の意味：

• S：置換（単語が誤っている）
• D：削除（単語が欠落している）
• I：挿入（余分な単語がある）
• N：参照文字起こしの総単語数

WERは小数またはパーセンテージで表せます。文字起こし時のモデルのエラーが少ないほど、WERは低くなり、スコアは良くなります。 

実際には、WERが10％なら、会議の文字起こしではおよそ10単語に1単語を再確認する必要があります。 

音声認識システムで単語誤り率が重要な理由

単語誤り率は、チームが異なるプロバイダーを比較するために使える客観的な指標です。マーケティング上の主張に左右されず、音声認識モデルの精度を明確に把握できます。根拠に基づいて評価すれば、選択肢を検討する企業は、この分野で現在どのモデルが優れているかを明確に判断できます。

出典：Artificial Analysis（2026年7月10日参照）。

2026年7月時点で、 Artificial Analysisの独立調査では、非ストリーミング文字起こしモデルにおいて、ElevenLabsのScribe v2がAA-AgentTalkデータセットで業界最低のWERを記録し、WERは1.5％と評価されています。

ベンダー評価にとどまらず、WERはプロダクトレベルでも現実的な影響を与えます。WERが12％の医療文字起こしソフトウェアは、患者記録に重大な誤りを持ち込むおそれがあります。カスタマーサポート通話での誤った文字起こしは、不正確な感情分析や不適切な分類といった後続の問題につながる可能性があります。

こうしたユースケース固有の問題に加え、ASRシステムが機能しないとき、最も大きな影響を受けるのは、文字起こしが音声コンテンツにアクセスする唯一の手段である人々であることが少なくありません。詳細については、World Wide Web Consortiumが、アクセシビリティの取り組みで求められる最低基準に関する広範なドキュメントを提供しています。

単語誤り率の計算方法：式と例

単語誤り率の計算は、手順を理解すれば簡単です。前述のとおり、使用する式はWER = （S + D + I）/ Nです。各項の説明は上記のとおりですが、簡単に言うと、置換、削除、挿入、そして文字起こし内の総単語数を表すNです。

WERの計算手順は次のとおりです。

1. 参照文字起こしを作成： 人手による文字起こしと検証を行い、音声クリップの正確な文字起こしを作成します。 
2. STTツールを使用： ASRプラットフォームで音声クリップを文字起こしし、テストに使用するAI文字起こしを作成します。
3. 2つのバージョンをアラインメント： 動的計画法（特にレーベンシュタインアルゴリズム）を使って、最小の編集回数を求めます。このアルゴリズムについては後ほど詳しく説明します。
4. 式を適用： AI生成版と人間が検証した文章を比較してエラー総数を数え、WER = （S + D + I）/ Nを使って正確なWERを計算します。

紙面上ではかなり技術的に見えますが、実際にはずっと簡単です。ここでは、意味をわかりやすくするための例を紹介します。

参照文字起こし： ダロウェイ夫人は、自分で花を買うと言った。

ASR出力： ミス・ダロウェイは、自分で花を買うと言った。

エラーの合計を計算すると、全9単語のうち置換（S）が1件、削除（D）が1件です。 

式に当てはめると、WER = 2 / 9 = 0.222 = 22.2％となります。 

Pythonで単語誤り率を計算する

手動の方法も有効ですが、PythonでWERを計算すれば時間を節約できます。jiwerライブラリを使えば、これらすべてを完全に自動で処理できます。

jiwerのドキュメントに従ってパッケージをインストールできます。このパッケージは、ASRシステムの評価とWERなどの主要指標の算出に特化して作られています。ダウンロード後は、次のコードでPythonを使ってWERをすばやく計算できます。

from jiwer import wer

reference = "the quick brown fox jumps over the lazy dog"
asr = "the quick brown fox leaps over the last lazy dog"

print(wer(reference, asr))  # 0.222

この例では、ASR出力は元の参照文と2か所で異なります。「jumps」という単語が誤って「leaps」と文字起こしされており（置換）、「lazy」の前に「last」が挿入されています（挿入）。参照文字起こしの9単語に対してエラーが2件あるため、単語誤り率（WER）は0.222、つまり22.2％になります。

単語誤り率とその他の認識指標の比較

WERはASRの精度を計算するための標準的な指標ですが、ほかにも使える指標があります。例：

• 文字誤り率（CER）： WERと同様に、単語レベルではなく文字レベルで文字起こしの精度を測定します。明確な単語境界がない言語（scriptio continua）や、スペルの正確さが重要なタスクに最適です。
• 一致誤り率（MER）： 置換・挿入・削除をWERとはやや異なる方法で扱い、文字起こしエラーの割合を測定します。文中で誤っている部分の割合に焦点を当てます。
• 単語情報損失（WIL）： 文字起こしの過程で元の情報がどれだけ失われたかを推定し、WERの直接的なエラー数ではなく、理解可能性を測定します。
• 埋め込み誤り率（EmbER）： 文字起こし同士を意味的に分析します。WERを超えて、正しい単語と誤った文字起こしの意味的な距離についての洞察を得られます。

これらの指標は、それぞれ異なるシナリオに適しています。以下の表を参照してください。

レーベンシュタイン距離の例：WERを支える数学

単語誤り率は、実際には元の文と仮説出力の間の距離を測るものです。この差を数学的に理解するために、レーベンシュタイン距離を使用します。

レーベンシュタイン距離は、ある系列を別の系列に変換するために必要な、1単位の最小編集回数を数えます。WERにおいては、具体的には置換・挿入・削除の編集を指します。たとえばCatをMatに変換する場合、「C」を「M」に1文字置き換える必要があるため、レーベンシュタイン距離は1です。

これはCERの計算でより多く見られますが、WERではレーベンシュタイン距離を単語レベルに拡張します。各単位は文字ではなく単語全体であり、真の距離はASR出力を正確な原文に変換するために必要な単語編集の回数を測定します。 

各セルが元の文字起こしとASR文字起こしの総距離を表す行列を作成します。レーベンシュタイン距離は左上から右下に向かって行列を埋め、最後のセルから単語レベルの編集総数が得られます。その数をNで割ったものがWERです。 

通常、この行列は個々の文字で計算されますが、わかりやすくするため、ここでは先ほどの例を単語レベルに拡張して示します。 

単語誤り率に関するよくある落とし穴と誤解

特に、STT APIがより利用しやすくなり、ASRソフトウェアが幅広いエージェントスタックの一般的な一部となるにつれ、異なるツール間の比較はますます増えていくでしょう。 

独自の単語誤り率を計算する前に、理解しておくべき一般的な問題や誤解がいくつかあります。

• すべてのエラーは同等： WERでは、すべてのエラーを同じ重要度で扱います。多くの文脈では問題ありませんが、これを許容できないユースケースもあります。たとえば病院では、良好なWERと見なされる5％のエラー率でも、1〜2件のエラーが患者を危険にさらす可能性があるため、内容を理解できないことがあります。この制約により、すべての単語が正確に一致するかではなく、文の意味が保持されているかを測定しようとするSemantic Word Error Rate（SWER）など、新しい指標が開発されています。 
• WERは100％を超えることがある： WERは0〜1の範囲だと前述しましたが、100％を超えるWERになる場合もあります。これは挿入エラーによって、元の文字起こしの総単語数よりも多くの単語が生じる可能性があるためです。よくある例は、「I’m」が「I am」と文字起こしされ、1単語が2単語になるケースです。 
• WERが低ければ、必ずしも技術的に優れているとは限らない： WERが5％であれば、表面的にはWERが10％より優れています。しかし、5％に含まれるエラーが文脈を大きく変えている一方で、10％のエラーがそうではない場合、全体像を表せません。文脈は依然として非常に重要であり、この意味的な影響を捉えるためにSWERのような指標が開発されています。

2024年、Appleは上記の最後の点を検討した興味深い研究を発表しました。人間がASRの可読性という観点からWER 9.4％を評価したところ、同じ文章に対してわずか2.2％のWERという評価を与えました。テストした例では、人間は多くの場合で「エラー」を重要でないものと見なし、機械より4倍以上寛容なHuman WERとなりました。

WERの業界ベンチマーク

理想的なWERは、ASR技術を使用する業界やユースケースに大きく依存します。WER 5％未満は業界ベンチマークですが、医療・法務の文字起こしなど、特定の業界ではさらに低い率が必要です。 

Artificial Analysisによる2026年7月の調査で、ElevenLabsのScribe v2はWER 1.5％を記録しました。ただし、こうした統計は通常、主言語として英語を中心に実施されていることを覚えておくことが重要です。他の言語では、STT技術の効果が同等でない場合があります。 

ElevenLabs Docsでは、WERの一般的な区分を、Scribe v1とScribe v2が対応するすべての言語について詳しく解説しています。

認識精度を高めるElevenAPIの始め方

文字起こし品質が重要なアプリケーションやプロダクトを構築する場合、適切に選んだASR APIと平凡なAPIとの差は、まずWERに現れ、その後ユーザー体験にも現れます。 

ElevenLabs Scribeは、スピーチtoテキストのレイヤーであり、ElevenAPIを通じて利用できます。90以上の言語対応と業界最高水準のWERに加え、話者ダイアライゼーション、単語レベルのタイムスタンプ、キータームプロンプティング、エンティティ検出などの機能を提供します。

ElevenLabs DocsでElevenAPIの詳細を確認するか、登録して今すぐ始めましょう。 

単語誤り率に関するFAQ