方法：AIや人に普遍的なaccuracy％は付けません。品質は言語、音声、speaker、語彙で変わります。価格例は2026年8月16日に確認しました。
結論：AI・手動・hybridのどれ？
| 状況 | おすすめ開始点 | 理由 |
|---|---|---|
| きれいなPodcast・Webinar・Creator動画 | AI + 短いreview | 高速draftと集中QA。 |
| ノイズの多い複数speaker interview | AI + 丁寧なhuman review | 初期作業は速いが難しい区間は確認が必要。 |
| 法務・医療・high-stakes記録 | Human-reviewed workflow | 名前・数字・発言の誤りコストが高い。 |
| 大規模archive | AI-first | scaleとturnaroundを優先し、risk別にreview。 |
| 専門用語・固有名詞 | AI + glossary/context + QA | contextは有効だがproper nounは重点確認。 |
| 機密media | processing方式次第 | 処理場所、retention、access、契約、人の閲覧を確認。 |
AIと手動は単なる入力速度の違いではない
AI transcriptionはASRでspeechをtextへ変換します。手動では人が聞き、解釈し、修正します。現在のprofessional workflowでは、ASR draftを人がverifyするhybrid構成が一般的です。
品質はmarketingの単一％より録音条件に左右される
“98% accurate”のような数字だけでは重要な差が見えません。language、accent、microphone、noise、overlap、names、technical vocabularyで結果は大きく変化します。Whisperのdocumentationもlanguageごとのperformance差を示しており、ASR outputはguaranteed ground truthではありません。
- clean close-mic speechはAIにも人にも有利。
- overlapはtext errorとspeaker attribution errorの両方を起こす。
- 名前、数字、商品名、専門用語は重点確認。
- music、long silence、強い編集はsegmentationへ影響。
- language/dialect coverageはmodelごとに均一ではない。
- transcriptが正しくてもsubtitle timingやspeaker assignmentは別に誤る。
曖昧なaccuracyよりWERとerror typeを見る
WERはreferenceと比較したsubstitution、deletion、insertionを数えます。CERはcharacter levelのerrorです。実務ではerrorの重みも重要で、1つのsurnameやdecimalの誤りが複数の軽微なfiller-word差より重大なことがあります。
| Metric | 分かること | 分からないこと |
|---|---|---|
| WER | word-level error。 | 各errorの業務上の重要度。 |
| CER | character-level error。 | 意味やeditorial impact。 |
| Speaker accuracy | 正しいspeakerに割り当てられたか。 | text自体の正しさ。 |
| Subtitle QA | timing、segmentation、readability、overlap。 | 純粋なtranscription quality。 |
| Critical-field review | names、dates、numbers、critical terms。 | 全体の流暢さ。 |
AIと人が苦手になりやすい条件
| 条件 | AI | 人 |
|---|---|---|
| clean single speaker | 非常に良いAI use case。 | 正確だが全手動は非効率になりやすい。 |
| strong noise | errorが大きく増えることがある。 | contextは使えるが聞こえない音は限界。 |
| overlapping speakers | textとdiarizationが両方失敗し得る。 | contextは有利だが同時発話は難しい。 |
| strong accent/dialect | modelと言語coverage次第。 | 慣れたtranscriberが有利な場合あり。 |
| technical terms | もっともらしい誤語置換が起こり得る。 | domain knowledgeが強み。 |
| names/numbers | high-value error category。 | 確認にはsource/contextが必要。 |
| long repetitive archive | 非常にscaleしやすい。 | manual-onlyは高コスト。 |
Speed：first draftはAI、final turnaroundはQA次第
AIは通常real-time listeningより大幅に速くdraftを作れます。ただしgeneration timeとpublish-ready timeは別です。uploadからfinal approvalまで測るべきです。
Cost：1分単価ではなくworkflow全体を見る
現在RevはAI Transcriptionを0.25 USD/分、Human Transcriptionを1.99 USD/分から案内しています。Happy ScribeはAI minutesをplan内で提供し、Human Proofreadingを約2 USD/分から提供しています。言語によりhuman rateはさらに高くなります。これは具体例であり市場平均ではありません。
| Cost | AI-first | Human-first |
|---|---|---|
| Initial transcription | 低いmarginal cost、scaleしやすい。 | per-minute labor costが高い。 |
| QA | clean audioでは少ないが難しいfileでは増える。 | human processに含まれてもQAは必要。 |
| Speaker labels | automation可能、review必要。 | manualだがcontext-aware。 |
| Terminology | glossary/contextとcorrectionが必要な場合あり。 | specialistが必要な場合あり。 |
| High volume | 経済的優位が大きい。 | human capacityがbottleneck。 |
| Critical errors | 安いdraftでも見逃しは高コスト。 | 高い初期costがrisk reductionになる。 |
PrivacyはAI vs 人の二択ではなくworkflow設計
confidentialityはprocessing location、誰がaccessするか、retention、contractで決まります。Cloud AIはthird-party infrastructureを使うことがあり、human transcriptionでは人がcontentを見ることになります。
- processing locationとretentionを確認。
- media/transcriptがtrainingに使われるか確認。
- 必要に応じencryptionを確認。
- human serviceでは誰が閲覧するか確認。
- regulated projectでは具体的なcompliance scopeを確認。
- Subvideo.aiは現在Guest uploadをEU serverで処理し48時間後に自動削除すると案内。
Human involvementを強めるべき時
- 証拠やformal recordなどhigh-stakes。
- names、numbers、quotes、technical termsの正確なverificationが必要。
- difficult accents、crosstalk、poor audio。
- editorial nuanceが重要。
- domain expertiseが必要。
- 見逃しerrorのcostがreview costより大きい。
AI-firstに向く時
- 大量のaudio/videoを処理。
- searchable draftを早く必要。
- audio qualityが比較的良い。
- transcriptがsubtitle、editing、search、repurposingの中間工程。
- high-risk部分だけreviewできる。
- multilingual processingをscaleしたい。
2026の実用workflow：AI first、riskの高い場所にhuman effort
- 強いASR modelでtranscript生成。
- 複数speakerならdiarizationを別taskとして扱う。
- names/products/technical terms用glossaryやreferenceを使う。
- noise、overlap、fast speech、speaker changeを優先review。
- names、numbers、dates、quotesを専用passで確認。
- subtitleではtext修正後にtiming、segmentation、reading speed、line breakを別確認。
- 本当にcriticalなmaterialだけdeep human reviewへ。
- corrections/minuteとtotal QA timeを測定。
Subvideo.aiがhybrid modelで担う位置
Subvideo.aiはoutsourced human transcriptionではなくAI-first subtitle workflow向けです。Whisper-based subtitles、optional speaker detection、visual timeline/editorでのmanual correction、translation、SRT/VTT/ASSまたはburned-in MP4 exportを提供します。Guest modeは現在EUで処理され48時間後に削除されます。
簡単なdecision framework
Low risk + high volume
AI-first、sampleとcritical fieldをreview。
Medium risk + difficult audio
AI draft + structured human QA。
High risk
Human-reviewed workflowを使いreview processを記録。
Subtitleが目的
text後にtiming、speaker、readabilityを確認。
Sensitive media
processing location、retention、access、contractで選ぶ。
Costが不明
representative batchでreal QA minutesを測る。
AIはhuman transcriptionを不要にしたのではなく、人が価値を出す場所を変えました。scaleするmedia workflowではAI-firstが効率的なfirst passになりやすく、difficult/high-stakes contentではhuman reviewが信頼できるfinal outputを作る品質層になります。
AI vs 手動文字起こし FAQ
AIは人より正確？
一律には言えません。clean audioではAIが非常に強く、context、難しいaccent、専門用語では人が有利な場合があります。
WERとは？
referenceに対するsubstitution、deletion、insertionの割合です。低いほど良いですがerrorの重要度は表しません。
手動は常に99%？
いいえ。99%を保証するserviceもありますが、audio、language、expertise、QAに依存します。
Human Reviewが重要なのは？
names、numbers、quotes、high-stakes factsを正確にする必要がある時。
AIは安い？
volumeとfirst draftでは通常安いですが、editing、QA、storage、specialist reviewも含めて比較します。
subtitleのbest workflowは？
AI生成→transcript correction→speaker review→timing/segmentation/readability reviewです。