【AI】日本語のリアルタイム文字起こしでElevenLabs Scribe v2 RealtimeとSonioxを比べた


こんにちは、フリーランスエンジニアのmohです。この記事はほとんどAIが書いたものを、私が加筆修正しています。検証不十分な部分もあるかと思いますが、ご容赦ください。ご指摘等ございましたら、Github issueか、Xでお願いいたします。

AIアシスタントを作っていて、話した言葉を ElevenLabs の Scribe v2 Realtime で文字にしています。あるとき「京都の鴨川を紹介する動画作って」と言ったら、「えっとね、京都の-」と「金岡を紹介する動画作って。」の 2 つに分かれて文字になりました。「かもがわ」が「金岡」になり、文も途中で切れています。

乗り換え先の候補に Soniox の stt-rt-v5 があります。ただ、日本語のリアルタイムの文字起こしを両者で比べた中立な数字は見つかりませんでした。そこで、公開されている日本語の読み上げ音声 40 本を両方に同じ速さで流して比べました。

結論

  • 文字の正確さはほぼ互角でした。文字誤り率は ElevenLabs 5.4%、Soniox 4.6% ですが、ElevenLabs は「13位」を「十三位」と漢数字で書くため誤りが増えています。漢数字を算用数字に直すと 4.2% と 4.6% で、ほぼ差はありません
  • 差が出たのは文の区切り方です。Soniox を LiveKit のプラグインの既定(max_endpoint_delay_ms 500)で使うと、40 本中 12 本が文の途中で切れました。ElevenLabs は 4 本です
  • Soniox の待ち時間を Soniox 自身の既定の 2000 にすると、文の途中で切れたのは 1 本だけになり、文字誤り率も 4.1% に下がりました
  • 話し終わりから文が確定するまでの時間の中央値は、ElevenLabs 1.35 秒、Soniox(500)0.85 秒、Soniox(2000)0.82 秒です。2000 にしても中央値は遅くなりませんでしたが、遅い 1 割は 2 秒を超えます
  • 料金はリアルタイムで 1 時間あたり ElevenLabs $0.39、Soniox $0.12 です

声で操作するアプリなら、Soniox を待ち時間 2000 で使うのが今回の結果ではいちばん合っています。

公開されている比較

先に既存のベンチマークを探しました。

  • Artificial Analysis の Speech to Text: Scribe v2 2.2%、Soniox v5 Async 3.8%。ファイルを一括で送る版の比較で、リアルタイム版の行はありません。データは会話・議会の演説・決算説明会の音声で、日本語の数字は出ていません
  • Soniox のベンチマークのページ(2026 年 8 月): リアルタイムで Soniox stt-rt-v5 1.34%、ElevenLabs scribe_v2_realtime 3.16%(意味で数えた単語誤り率)。英語の 1,000 件で、Soniox 自身が出した数字です

日本語のリアルタイムの文字起こしの数字は、どちらにもありません。日本語で使うなら自分で測るしかありませんでした。

試した条件

ElevenLabsSoniox(500)Soniox(2000)
モデルscribe_v2_realtimestt-rt-v5stt-rt-v5
文の確定無音 0.5 秒で確定意味で話し終わりを判定、最大 500ms 待つ同、最大 2000ms 待つ
設定の出どころLiveKit のプラグインの既定LiveKit のプラグインの既定Soniox の API の既定
料金(1 時間)$0.39$0.12$0.12

LiveKit は音声のエージェントを作るフレームワークで、私のアシスタントもこれで動いています。プラグインを入れたときの既定の設定をそのまま再現しました。Soniox の max_endpoint_delay_ms は、話し終わってから文を確定するまで最大どれだけ待つかの値で、500〜3000 を指定できます(Soniox のドキュメント)。

音声は Google の FLEURS(CC BY 4.0)の日本語の dev から、固定の seed で 40 本選びました。1 本 7.7〜21.7 秒、合計 8 分 40 秒の読み上げです。ニュースや百科事典の文で、人名や地名、数字が多く入っています。

流し方は次のとおりです。

  1. 音声を 16kHz・モノラルにし、50ms ずつ、その 50ms が録り終わる時刻に送る。マイクから届くのと同じ速さになる
  2. 音声の後に 3 秒の無音を送る
  3. 確定した文と、それが届いた時刻を記録する

採点は次の 3 つです。

  • 文字誤り率: 正解と結果から句読点・記号・空白を消し、何文字違うかを正解の文字数で割る。40 本の合計で出す
  • 文の途中で切れた本数: 1 本の音声が 2 つ以上の文に分かれて確定した本のうち、正解の文の切れ目でない所で切れたもの
  • 確定までの時間: 声が止まった時刻から、最後の文が届いた時刻まで

計測は 2026-10-20 です。

文字の正確さ

文字誤り率漢数字を直した参考値誤った文字数(2,065 字中)誤りなしの本数
ElevenLabs5.4%4.2%11114
Soniox(500)4.6%4.6%9620
Soniox(2000)4.1%4.1%8522

FLEURS の正解は「13位」「24位」のように算用数字で書かれています。ElevenLabs は 6 本で「十三位」「二十四位」「二つの港」と漢数字を出し、そこが誤りに数えられました。Soniox は算用数字で出します。位・つ・歳・世・人・枚などの前の漢数字を算用数字に直して数え直すと、ElevenLabs は 111 字から 87 字に減り、4.2% になります。

この数字の差は小さく、40 本では傾向としてしか読めません。聞き違いはどちらにもあります。たとえば「暴徒と化した市場の女性たち」は、ElevenLabs が「暴徒の出したし— 市場の女性たち」、Soniox が「ボートの貸し出し市場の女性たち」でした。

文字の正確さで選ぶ理由は、日本語の読み上げではどちらにもありませんでした。数字を画面に出すなら、ElevenLabs の漢数字は後から直す処理が要ります。

文の区切り方

2 つ以上に分かれた本数うち文の途中で切れた本数
ElevenLabs64
Soniox(500)1312
Soniox(2000)31

40 本のうち 5 本は正解が 2 文で、その切れ目で分かれるのは正しい動きです。問題は文の途中で切れたものです。

Soniox(500)は、語の途中でも区切りました。

  • 「まもなく暴動。」「鎮圧。」「用の装備を着用した…」
  • 「標高。」「4。」「8。」「92mのヴィンソン山が…」

句点まで付いて確定するので、受け取った側は 1 つの文として扱ってしまいます。声のアシスタントなら、文が確定するたびに LLM が返事を作り始めるので、「まもなく暴動。」だけで答えを返しかねません。

ElevenLabs は無音 0.5 秒で確定する設定なので、読み手が息継ぎで止まった所で切れます。「彼はWi-Fiで鳴るドアベルを作っ—」「あ、そうです。」のように、切れた後半を別の言葉に聞き違えた例もありました。冒頭の「京都の-」「金岡を…」と同じ形です。

Soniox(2000)で文の途中で切れたのは、3 つの条件すべてが同じ所で切れた 1 本だけでした。正解の「…食用品)がババ・シャムに…」の括弧の後で、読み手が長く止まった所です。

声で操作するアプリでは、ここがいちばん効きます。Soniox を LiveKit のプラグインの既定のまま使うと、ElevenLabs より切れやすくなります。max_endpoint_delay_ms は 2000 にしてください。

確定までの時間

中央値遅い 1 割(p90)最大
ElevenLabs1,352ms1,662ms2,257ms
Soniox(500)853ms1,590ms2,123ms
Soniox(2000)816ms2,050ms3,040ms

ElevenLabs は無音を 0.5 秒待ってから確定するので、そのぶん中央値が遅くなります。Soniox は話し終わりを意味で判定し、文が終わったと判断すればすぐ確定します。待ち時間を 2000 に延ばしても中央値はほとんど変わりませんでした。

違いは遅い側に出ます。Soniox(2000)は 40 本中 5 本で 2 秒を超え、最大は 3 秒でした。ほかの 2 つで 2 秒を超えたのは 1 本ずつです。文が終わったか迷ったときに長く待つためです。500 のままだと 3 割が文の途中で切れます。返事がときどき 2 秒以上遅れるほうが、切れた文に的外れな返事をするよりましだと私は考えます。

ここでの時間は、手元から API までのネットワークの往復を含みます。

選び方

効く順に並べます。

  1. 声で操作するアプリなら Soniox を選び、max_endpoint_delay_ms を 2000 にする。文の途中で切れにくく、確定も速く、料金は ElevenLabs の 3 分の 1 以下
  2. LiveKit のプラグインで Soniox を使うときは、既定の 500 のまま使わない。今回 40 本中 12 本が文の途中で切れた
  3. ElevenLabs を使い続けるなら、数字を画面に出す前に漢数字を算用数字に直す。区切りの無音 0.5 秒は、息継ぎで文が切れる原因になる
  4. 自分の用途の音声で一度測る。今回は読み上げの音声で、会話の言いよどみや方言、固有名詞の多い依頼文では結果が変わり得る

限界と偏り

  • 40 本・約 9 分の小さな計測です。文字誤り率の差は傾向として読んでください
  • 音声は読み上げで、話し言葉ではありません。冒頭の「鴨川」のような地名の聞き違いを、この 40 本で直接確かめたわけではありません
  • 各条件 1 回ずつ流しています。同じ音声でも、区切りの位置や時間は回によって変わり得ます
  • 文字誤り率は句読点を除いて数えています。数字の書き方の違い(十三 と 13)は誤りに数え、参考値だけ漢数字を直しました
  • 語彙のヒント(ElevenLabs の keyterms、Soniox の context)は使っていません
  • 結果は 2026-10-20 時点のものです

再現

計測のスクリプトは blog-examples に置いてあります。Node.js 24 以上と ffmpeg、ElevenLabs と Soniox の API キーがあれば動きます。40 本を 3 条件で流して約 40 分、API の費用は 3 条件合わせて 0.1 ドル程度です。

参考