話者分離の「精度◯%」は比較できない — DERの測定条件と、会議で35〜45%まで落ちる理由

AI音声認識システムの精度として「話者分離の成功率◯%」という数字がよく聞こえる。だが、この数字には大きな落とし穴がある。話者分離の評価指標DER（Diarization Error Rate）は、採点条件が明示されなければ他の数字と比較できない。セグメント境界の許容誤差（collar）の有無、複数人が同時に話す場面を採点に含めるか含めないか、という採点ルールで、同じシステムでも数字が数ポイント変わる。採点条件を書かずに精度を比較するのは、測定条件の異なるはかりで体重を比べるようなものだ。ベンダーが数字を並べるときこそ、その条件を疑うべき瞬間だ。

実測から分かる現実は厳しい。DIHARD IIIという国際ベンチマークでは、電話の1対1の会話はDER 10～20%だが、会議になると35～45%に落ちる。倍以上だ。会議での低下は3つの要因に分解できる。まず重なり発話（複数人が同時に話す）が誤りの約半分を占める。次に話者数が増えるにつれ急激に悪化する。2人なら8.5%だが6人では40%以上になる。第三に、マイク距離が遠いと5ポイント以上悪化する。Whisperのような汎用の音声認識システムは、そもそも話者分離機能を持たない。OpenAIが別モデル「gpt-4o-transcribe-diarize」で提供しているが、既知話者は最大4名という制限がある。

日本語の多人数会議を対象にした公開ベンチマークは、2026年8月時点で存在しない。つまり、国内ベンダーが「日本語で高精度」と主張しても、第三者が同じ条件で検証する手段がない。会議の自動記録・要約をAIで実装するなら、「人が同時に話す場面は失われる」と想定しておこう。完全自動化ではなく、重要な会議は後処理が必須だ。