ワードエラー率（WER）：基本概念、計算式、活用方法

理論上、ワードエラー率（WER）は自動音声認識（ASR）ツールの精度を測る指標です。WERが低いほど最終的な書き起こしが正確であり、エラー率が高いと誤った内容が含まれていることを示します。

実際には、WERの違いが「15ミリグラム」と「50ミリグラム」を書き間違える医療用書き起こしソフトの差になったり、顧客の要望を正確に書き起こすサポートツールと、ユーザーを困らせてしまうツールの違いになります。

この記事では、WERとは何か、計算方法、そして自分のASRプロバイダーを比較する際の使い方をわかりやすく解説します。

まとめ

• ワードエラー率は、置換・削除・挿入の3種類のエラー数を、正解となる書き起こし内の単語数で割って算出します。
• WERの計算式は WER = (S + D + I) / N です。
• WERの値が低いほど、最終的な出力がより正確であることを示します。
• WERが5％未満であれば良い基準ですが、法務や医療分野の書き起こしではさらに低いWERが求められる場合もあります。
• WERはすべてのエラーを同等に扱うため、文脈を考慮した評価には最適とは言えません。意味が維持されているかを測るセマンティックワードエラー率（SWER）などの新しい指標も登場しています。

ワードエラー率とは？

ワードエラー率（WER）は、スピーチtoテキストモデルの音声認識精度を測る標準的な指標です。0〜1（例：0.8は80％のエラー率）で表され、STTシステムが書き起こし時に間違えた内容を、置換・削除・挿入の観点から示します。

置換は単語が別の単語に誤って置き換えられること、削除は単語が完全に抜けてしまうこと、挿入は話されていない単語が追加されてしまうことです。WERはこれら3つの要素を合計し、正しい書き起こしの単語数で割ることで、他のベンダーと比較できる数値を算出します。

WERの計算式は以下の通りです：

WER = (S + D + I) / N

各記号の意味：

• S：置換（単語が間違っている）
• D：削除（単語が抜けている）
• I：挿入（余分な単語がある）
• N：正解となる書き起こし内の単語数

WERは小数またはパーセンテージで表せます。WERが低いほど、モデルが書き起こし時に犯したエラーが少ないことを示します。

実際には、WERが10％の場合、会議の書き起こしの約10語に1語は再確認が必要ということになります。

なぜワードエラー率が音声認識システムで重要なのか？

ワードエラー率は、チームが異なるプロバイダーを比較するための客観的な指標です。マーケティングの主張を超えて、音声認識モデルの精度を明確に可視化できます。証拠をもとに判断できるため、選択肢を検討する企業は、どのモデルが業界のリーダーかを把握できます。

出典：Artificial Analysis 2026年7月10日アクセス。

2026年7月時点で、 Artificial Analysis による独立調査で、ElevenLabsのScribe v2はAA-AgentTalkデータセットの非ストリーミング書き起こしモデルにおいて業界最小のWER（1.5％）を記録しています。

ベンダー評価以外にも、WERはプロダクトレベルで現実的な影響を与えます。例えば、12％のWERがある医療用書き起こしソフトは、患者記録に重大なエラーを生む可能性があります。カスタマーサポート通話での誤った書き起こしは、感情分析や分類のミスなど、後工程での失敗につながることもあります。

こうした用途特有の問題以外にも、ASRシステムが失敗した場合、最も影響を受けるのは、書き起こしが唯一の音声コンテンツへのアクセス手段となる人々です。World Wide Web Consortium は、アクセシビリティ施策で求められる最低基準について、詳細なドキュメントを提供しています。

ワードエラー率の計算方法：式と例

ワードエラー率の計算は、手順を知っていれば簡単です。上記で説明した通り、使う式は WER = (S + D + I) / N です。各記号の意味は上で説明しましたが、簡単に言うと置換・削除・挿入、Nは書き起こし内の単語総数です。

WERの計算手順は以下の通りです：

1. 正解となる書き起こしを作成： 人による書き起こしと確認で、音声クリップの正確な書き起こしを作成します。
2. STTツールを使う： ASRプラットフォームで音声クリップを書き起こし、テスト用のAI書き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）を使い、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生成版と人による確認済みコピーのエラー総数を数え、WER = (S + D + I) / N で正確なWERを計算します。

一見難しそうですが、実際にはとても簡単です。以下の例でイメージをつかんでください。

正解となる書き起こし：Mrs. Dalloway said she would buy the flowers herself.

ASR出力：Miss Dalloway said she would buy flowers herself.

エラーを数えると、9語中1つの置換（S）と1つの削除（D）があります。

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

Pythonでワードエラー率を計算する方法

手作業でも計算できますが、Pythonを使えばWERの計算を効率化できます。jiwerライブラリ を使えば、これらの処理をすべて自動で行えます。

jiwerのドキュメントを参考にパッケージをインストールすれば、ASRシステムの評価やWERなどの主要指標を簡単に算出できます。インストール後、以下のコードで素早くWERを計算できます：

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出力が元の正解書き起こしと2箇所異なっています。単語「jumps」が「leaps」に誤って書き起こされ（置換）、さらに「last」が「lazy」の前に挿入されています（挿入）。正解書き起こしの9語中2つのエラーなので、WERは0.222または22.2％となります。

ワードエラー率と他の認識指標の比較

WERはASRの精度を測る標準指標ですが、他にも使えるツールがあります。例えば：

• キャラクターエラー率（CER）： WERと似ていますが、単語単位ではなく文字単位で書き起こし精度を測ります。単語の区切りが明確でない言語や、スペルに敏感なタスクに最適です。
• マッチエラー率（MER）： 置換・挿入・削除をWERとは少し異なる扱いで計算し、文中で間違っているエラーの割合に注目します。
• ワード情報損失（WIL）： 書き起こし中に元の情報がどれだけ失われたかを推定し、WERの単純なエラー数ではなく、可読性を測る指標です。
• エンベディングエラー率（EmbER）： 書き起こし同士の意味的な分析を行います。WERを超えて、正しい単語と誤った書き起こしの意味的な距離を示します。

これらの指標は、それぞれ異なるシナリオに最適です。以下の表を参考にしてください：

レーベンシュタイン距離の例：WERの数学的背景

ワードエラー率は、元の出力と仮説出力の「距離」を測る指標です。この違い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います。

レーベンシュタイン距離は、一方のシーケンスをもう一方に変換するために必要な最小の単位編集回数を数えます。WERの場合は、特に置換・挿入・削除の編集回数を指します。例えば「Cat」を「Mat」に変換するには「C」を「M」に変える1回の編集が必要なので、レーベンシュタイン距離は1です。

CERの計算では文字単位で使われますが、WERではレーベンシュタイン距離を単語単位に拡張します。1単位が1文字ではなく1単語となり、ASR出力を正しい元の書き起こしに変換するために必要な単語編集数が距離となります。

マトリックスを作成し、各セルが元の書き起こしとASR書き起こしの距離を表します。レーベンシュタイン距離は左上から右下までマトリックスを埋め、最後のセルが単語レベルの編集回数となります。その数をNで割るとWERが算出できます。

このマトリックスは通常は文字単位で計算されますが、ここではわかりやすく前述の例を単語単位に拡大しています。

ワードエラー率に関するよくある落とし穴と誤解

特に、STT API がより身近になり、ASRソフトウェアが幅広いエージェントスタックの一部となることで、さまざまなツールの比較が増えていきます。

自分でWERを計算する前に、よくある問題や誤解を知っておきましょう。

• すべてのエラーが同等： WERはすべてのエラーを同じ重みで扱います。多くの場面では問題ありませんが、用途によっては許容できない場合もあります。例えば病院では、5％のエラー（一般的には良いWERとされる）でも、1～2つのミスが患者のリスクにつながることがあります。この制限から、意味が維持されているかを測るセマンティックワードエラー率（SWER）などの新しい指標が開発されています。
• WERが100％を超えることも： WERは0〜1の範囲と説明しましたが、実際には100％を超える場合もあります。挿入エラーによって、元の書き起こしよりも多くの単語が生成されることがあるためです。例えば「I’m」を「I am」と書き起こすと、1語が2語になります。
• WERが低ければ必ずしも良いとは限らない： WERが5％なら10％より良いように見えますが、その5％のエラーが文の意味を大きく変えてしまい、10％のエラーはそうでなかった場合、単純な数値だけでは全体像が見えません。文脈も非常に重要であり、SWERのような意味的な影響を捉える指標も開発されています。

2024年にはAppleが上記の点を検証した興味深い研究を発表しました。人間が9.4％のWERの書き起こしを読めるかどうか評価したところ、同じ文章にわずか2.2％のWER を付けました。この例では、多くの場合「エラー」が重要でないと判断され、人間によるWERは機械より4倍以上寛容でした。

業界におけるWERのベンチマーク

理想的なWERは、ASR技術を使う業界や用途によって大きく異なります。WERが5％未満は業界の基準ですが、医療や法務など特定分野ではさらに低い値が求められます。

Artificial Analysis の2026年7月の調査では、ElevenLabsのScribe v2が1.5％のWERを記録しました。ただし、これらの統計は主に英語を対象に行われている点に注意が必要です。他言語でのSTT技術は同じ精度が出ない場合もあります。

ElevenLabs Docsでは、一般的なWERの範囲 をScribe v1とScribe v2が対応するすべての言語ごとに解説しています。

ElevenAPIで認識精度を高めよう

書き起こし品質が重要なアプリやプロダクトを作る場合、優れたASR APIとそうでないものの差は、まずWERに、そしてユーザー体験に現れます。

ElevenLabs Scribeは、スピーチtoテキスト レイヤーで、ElevenAPI から利用できます。90以上の言語対応や業界トップクラスのWERに加え、話者分離、単語単位のタイムスタンプ、キータームプロンプト、エンティティ検出などの機能も備えています。

詳しくは、ElevenLabs Docs をご覧いただくか、今すぐ登録 して始めてみてください。

ワードエラー率に関するFAQ