リアルタイム翻訳と文字起こしの違い|「リアルタイム」の意味と選び方
オンライン会議で、仕入れ先の担当者がポルトガル語で何か話します。会議ツールはそれを完璧に拾います。どの単語も正しく綴られ、タイムスタンプが付き、発言者も正確に記録されています。それでも、今何が合意されたのか、あなたにはまったく分かりません。
両者の違いは、すべてこの瞬間に表れています。料金ページではほとんど同じに見える2つの機能が、実際の会議ではまったく違う働きをするのもそのためです。一方はメッセージの形を変え、もう一方は言語を変えます。必要だったのは後者なのに、前者にお金を払ってしまう。海外展開のたびに、チームがほぼ一度はやってしまう失敗です。
4つの仕事と、それを見分ける2つの質問
この分野の製品はどれも、4つの仕事のどれかをしています。どれに当たるかは、2つの質問で分かります。言語は変わるのか。そして、まだ話している最中に結果が出ている必要があるのか。
文字起こしは、言語はそのままで形を変えます。話し言葉を文字にするもので、それを読む人は、同じ言語なら耳で聞いても理解できたはずです。それ以上のことはしません。どうやって作られるのか、費用はどのくらいか、人がまだ機械に勝るのはどこか、といった話はそれだけで1つのテーマになるため、文字起こしの仕組みで別に解説しています。
翻訳は、形はそのままで言語を変えます。書かれた原文を入れ、書かれた訳文を出す。たいていはすでにある文章が対象なので、翻訳と文字起こしは競い合うというより、順番に組み合わせて使われることがほとんどです。
通訳は言語を変えますが、話し言葉のまま、その場で、人が行います。必要な訓練も、所属する業界団体も、請求額も違います。
キャプションや字幕は、そもそも5つ目の仕事ではありません。届け方の形式です。動画のタイムラインに合わせて表示される文字のことで、中身は文字起こし(同じ言語)の場合も、翻訳(別の言語)の場合もあります。だからこそ、正反対のことを言いたい人どうしが同じ言葉を混同して使ってしまうのです。ファイル形式や表記ルールで迷っているなら、クローズドキャプションと字幕の違いで文書としての側面を解説しています。
| 種類 | 言語は変わる? | リアルタイム? | 得られるもの | 担い手 | 主な用途 |
|---|---|---|---|---|---|
| 文字起こし | 変わらない | どちらも可(リアルタイムでも事後でも) | 元の言語のまま検索できるテキスト記録 | ソフトウェア、人、またはその両方 | 会議の記録、インタビュー、コンプライアンス用のアーカイブ |
| 翻訳 | 変わる | 通常は事後 | 別の言語で読める同じ文書 | ソフトウェア、または人の翻訳者 | 契約書、ドキュメント、公開コンテンツ |
| リアルタイム翻訳 | 変わる | 定義上リアルタイム | 話し手から数秒遅れで表示される訳文 | ほぼ例外なくソフトウェア | 異なる言語での通話、ライブイベント、サポートチャット |
| 通訳 | 変わる | リアルタイム | その場で口頭で伝わる意味(標準では何も残らない) | 資格を持つ人 | 交渉、法廷、診療、外交 |
| キャプション/字幕 | どちらもある | どちらもある | 動画に重ねて表示する、画面に収まる長さのタイミング付きテキスト | ソフトウェア、人の編集者、またはその組み合わせ | アクセシビリティ、音声オフでの視聴、海外向け公開 |
「リアルタイム」は遅延の約束で、「なるべく速く」ではない
ベンダーは、一晩かかるバッチ処理でなければ何にでも「リアルタイム」と付けます。数字が添えられていなければ、この言葉はほとんど意味を持ちません。そこでまず、「リアルタイム」が下回らなければならない数字を見ておきましょう。
会話は、多くの人が思っているよりずっと短い時間単位で進んでいます。言語学者が世界の10言語を対象に話者交替の間隔を測ったところ、どの言語でも最も多い間隔は0〜200ミリ秒で、データ全体の平均は約208ミリ秒でした。1音節を発音するのとほぼ同じ時間です(Stivers ら、2009年)。話者交替は、礼儀正しく間を置くことではなく競争です。会話している人はみな、相手の文の終わりを予測して、すぐに自分が話し始められるよう構えています。
リアルタイム翻訳をこの数字と比べると、段階は自然に分かれます。
- 1秒未満。会話に加われる速さです。1行読んでからでも、その発言を受けて自分が話し始められます。
- 1〜3秒。今の翻訳テキストとして現実的な範囲で、十分に役立ちます。ひと呼吸遅れますが、第二言語で聞いている人はもともとそのくらい遅れています。
- 5秒以上。意味のある「リアルタイム」とはもう言えません。分割で届く文字起こしにすぎず、1行読み終わるころには、みんな採決を済ませています。
翻訳が遅いほうに寄ってしまうのは構造上の理由で、サーバーを買い足せば解決するものではありません。音声認識は、ある単語に確信が持てればすぐに出力できます。翻訳エンジンはそうはいきません。文が何を言おうとしているのかを知るには、ある程度の長さが必要だからです。しかもドイツ語や日本語では、意味を決める動詞が文末まで出てこないこともあります。そのため、待つか、早めに訳を出して後から直すかのどちらかになり、どちらにもコストがかかります。録音済みの音声を処理するより、ライブで音声を取り込むほうが技術的に難しい理由は、音声認識(Speech to Text)の仕組みで解説しています。
翻訳される側なら、文を最後まで言い切りましょう。話し手がリアルタイム翻訳のためにできるいちばん大きなことは、1つの考えをきちんと言い終えてから次に移ることです。だらだら続く従属節、途中で投げ出した文、「まあ、とにかく…」といった言い方は、どれもエンジンに不完全なかたまりを渡し、推測させることになります。
通訳者は、文がどこへ向かうかを予測して対処します。ソフトウェアは予測せず、待つだけです。結論を先に言う短く完結した文のほうが、アプリのどんな設定よりも品質を上げてくれます。
言語が1つ増えると、間違える場所も1つ増える
今市場に出ているリアルタイム翻訳製品の多くは、カスケード(多段)方式です。まず音声を認識し、次にその結果のテキストを翻訳します。2つのモデルが直列につながり、それぞれに固有の失敗のしかたがあります。
計算は容赦ありません。それぞれ95%の確率で正しい2つの段階を組み合わせると、両方とも正しいのは約90%です。あくまで説明のための数字でベンチマークではありませんが、大事なのは傾向です。パイプラインでは、精度は平均されるのではなく、掛け算されます。
もっと厄介なのは、2段目が1段目の誤りにまったく気づかないことです。翻訳モデルは、流暢な文を作る機械です。聞き間違えた固有名詞や、否定語が抜け落ちた文を渡すと、迷いもせずにその誤りを文法的に完璧なスペイン語に訳してしまいます。出力には壊れた様子がどこにもありません。だからこそ危険なのです。
しかも、翻訳の誤りは認識の誤りとは性質が違います。聞き間違いは局所的で、すぐに気づき、文脈から補えます。翻訳の誤りは意味のレベルで起こります。否定が肯定にひっくり返る。「できるかもしれない」が「やります」に強まる。原文では性別が分からない代名詞に性別が付く。「Let's table it」は、アメリカ英語では「いったん保留にしよう」、イギリス英語では「今すぐ議題にしよう」という意味で、音質がいくら良くてもどうにもなりません。
品質の測り方さえ違います。機械翻訳は、出力を参照訳と比べて採点されます。長く使われてきた指標が BLEU で、COMET のような学習ベースの指標は人の判断により近い評価をします。ただ、どれも、会議で肝心だったあの1行が正しく訳されたかどうかは教えてくれません。目立たないながら、中間の段階をまるごと省く研究の流れもあります。ある言語の音声から別の言語のテキストを直接出すようにモデルを訓練するもので、途中で壊れる文字起こしがそもそもありません。段階が少なければ、誤りが重なる場所も少なくなります。とはいえ、実際に提供されている製品の多くは、今もカスケード方式です。
ツールが本当にリアルタイムで翻訳しているかを確かめる10秒テスト。会議を始めて、ある言語で2文話し、3文目を話しながら画面を見てください。話し終える前に目的の言語の訳が表示されれば、それはリアルタイム翻訳です。通話が終わって要約が届くまで何も出てこないなら、それは事後処理です。役には立ちますが、会話に参加する助けにはなりません。
デモ録画ではなく、実際の通話で試してください。デモには、音がクリアで一度に1人しか話さない素材が選ばれています。どのツールでもうまくいく条件です。
文字起こしは優秀なのにリアルタイム翻訳は使えない、というツールがある理由
ここでつまずく人は後を絶ちません。これはベンダー間の品質差ではなく、そもそも中身が別の製品だということです。
優れた文字起こしは、バッチ処理でできます。通話が終わるのを待ち、全体を見渡したうえで録音を処理し、好きなだけ時間をかければいいのです。運用コストは安く、精度も上げやすい。多くの AI 議事録ツールが最適化しているのはこの部分で、その設計全体が「会話はその場で理解できていて、後から記録だけ欲しい」という前提に立っています。
リアルタイム翻訳は、この前提を3か所で同時に崩します。まず、通話のあいだずっと接続を開いておく必要があります。次に、流れてくる音声を、翻訳として意味が通る位置で区切らなければなりません。これはタイマーではなく、言語的な判断です。そして、区切った1つ1つに対して、会議にいる翻訳先の言語の数だけ、2つ目のモデルを動かす費用がかかります。ストリームを開き続けるのは、同じ音声を最後に一度処理するより運用コストが高く、その上に翻訳処理が加われば、多くの製品のロードマップがなぜああなっているのかも納得がいきます。
だからこそ、「そのツールは翻訳できますか?」という質問には、歯切れの悪い答えが返ってくることが多いのです。完成した文字起こしを依頼に応じて翻訳できるツールはたくさんありますが、話しているそばから原文と訳文を並べて表示するのとは、まったく別の製品です。私たちはまさにこの点について主要な議事録ツールを1つずつ確認し、本当に翻訳できる AI 議事録ツールはどれかにまとめました。答えは、マーケティングから受ける印象ほど一様ではありません。
字幕は消える。それが字幕の役目
ライブ字幕は表示であって、記録ではありません。一度読まれ、次の行に押し出されるためにあります。多くの会議プラットフォームは、翻訳字幕をまさにそのように扱っています。会議中は表示され、終われば消えます。
定例の進捗確認ならそれで構いません。しかし、お金や期限が絡むなら、大事なのは1週間後に何が残っているかです。考えられる答えは3つあります。
何も残らない。翻訳は行われ、理解もされたのに、何も保存されていません。会議に出ていなかった人が受け取るのは、誰かが記憶を頼りに書いた要約です。
元の言語の文字起こし。これよりはましで、多くのツールが作るのがこれです。検索も引用もできます。ただし、その言語が読めればの話です。読めなければ、ひと手間増えただけで振り出しに戻ります。
翻訳された記録。原文と訳文の両方が残り、要約とアクションアイテムも、各自が仕事で使う言語で引き継がれます。言い争いに決着をつけるのは、この形です。6週間後にもめるのは、音声がどう聞こえたかではありません。約束が「14日までに納品」だったのか「14日までにレビュー」だったのか、です。それを解決する文書は、双方が読めるものでなければなりません。
この3つ目の結果こそ、購入前にツールが何を残すかを確認すべき実際的な理由であり、プラットフォームがすでに画面に出している字幕とは別に、リアルタイムで翻訳する会議アシスタントを併用する理由でもあります。たとえば Laxis は、まだ話している最中に、文字起こしの各行の下に訳文を表示します(Premium の機能で、60以上の言語に対応)。通話が終わると、元の文字起こし、要約、次のステップが1か所にまとまって残ります。どのツールでも同じですが、頼る前に、実際の通話の後で何が保存されているかを確かめてください。また、録音ボタンを押した人には、参加者に知らせ、必要な場合は同意を得る責任があります。州・国ごとの録音の同意ルールのガイドは出発点としてお使いください。法的助言ではありません。
実際の通話で確かめてください。Laxis のデスクトップアプリで Translate(翻訳)をオンにすると、会話が続いているあいだに、文字起こしの各行のすぐ下に訳文が表示されます。翻訳先は60以上の言語から選べます。
14日間の Premium トライアル付き、クレジットカード不要。Laxis を無料で試す
通訳は、同じソフトウェアの上位版ではない
3つ目の種類については、正確に押さえておく価値があります。「AI でいいでしょう」という判断は、何を手放しているのか分からないまま下されることが多いからです。
同時通訳者は、聞きながら同時に話し、話し手から数秒遅れで訳していきます。その遅れを管理しながら意味を損なわないことが、技能の大部分です。逐次通訳は別の方法をとります。話し手がいったん止まり、通訳者がその部分を訳します。会議の進み方は半分になりますが、その代わりに忠実度ははるかに高くなります。
どのエンジンにもできないのは、言語以外の部分です。通訳者は、ある言い回しがあいまいだと気づけば質問します。直訳では失礼に聞こえるときは、言葉の丁寧さを調整します。正確に訳すことについて職業上の責任を負っていて、規制のある場面では、その責任こそが実際に買っているものです。
つまり線引きは、難しさではなく、結果の重さで決まります。週次の朝会、プロジェクトレビュー、取引先との定例、社内研修。こうした場ならソフトウェアで十分で、通訳者がいなくて困る人はいません。労働組合との団体交渉、診察、証言録取、移民審査の面接。こうした場では人を手配してください。そこでの機械翻訳は代わりではなく、安全網です。そして、だいたい合っていれば十分という9割の会話では、機械翻訳は非常に優秀です。
本当に必要なのはどちらかを見極める
順番に4つの質問をします。ほとんどのチームは、2つ目で答えが出ます。
- 参加者全員が、話されている言語を無理なく理解できますか?できるなら、必要なのは文字起こしだけです。翻訳機能にお金を払っても、誰もオンにしない機能が増えるだけです。
- 助けが必要なのは会話の最中ですか、それとも後だけですか?ここが費用の大きく分かれる分岐点です。後から追いつくだけなら、翻訳された文字起こしで解決します。安く、時間をかけて作れます。通話中に会話へ参加するにはリアルタイム版が必要で、遅延と価格の面でそれなりの負担を伴います。
- 出力は音声である必要がありますか?ビジネスでは、ほとんどありません。合成音声による翻訳は急速に良くなっていますが、テキストのほうが静かで、ざっと目を通せて、元の音声とぶつからず、記録も残ります。音声出力が重要なのは、誰も画面を見られないイベントや現場視察くらいです。
- 1文が間違っていたらどうなりますか?答えに規制当局、裁判所、患者、署名のどれかが関わるなら、人の通訳者が必要なラインです。精度の数字がいくつであっても、それは変わりません。
多くのチームは、リアルタイムには投資しすぎ、記録には投資しなさすぎています。リアルタイム翻訳はデモ映えするので、評価の対象になりやすい。けれども、その後何か月も人々が黙って頼りにするのは翻訳された記録であり、何が合意されたかを誰かが確かめようとしたときに欠けているのも、その記録なのです。
通話を翻訳して、記録も残す。Zoom、Google Meet、Microsoft Teams での会話をその場で自分の言語で読み、終わったら文字起こしと要約を見返せます。リアルタイム翻訳は Laxis Premium に含まれます。14日間の Premium トライアル付き、クレジットカード不要。Laxis をダウンロード
まとめ
この2つの機能は、1つの製品に統合されつつあります。買い手にはありがたい一方で、分かりやすさは失われています。料金ページの「翻訳」は今や、リアルタイムで原文と訳文を並べるもの、すぐに消えてしまう字幕トラック、通話の20分後に作られる要約、完成した文字起こしを依頼に応じてエンジンにかけるボタンの、どれを指していてもおかしくありません。4つの製品に、1つの言葉です。
覚えておくべき違いは、技術的なものではありません。文字起こしは記憶のためのもの。会話が明日も確かに残っているようにします。翻訳は参加のためのもの。今日、全員が本当にその会話に加われているようにします。チームは前者が得意でも、後者がひそかに壊滅的ということがあります。その兆候はいつも同じです。どの通話にも、よくうなずくのに、一度も反対しない人がいるのです。
よくある質問
翻訳と文字起こしの違いは何ですか?
文字起こしは、言語を変えずにメッセージの形を変えます。話された音声を文字にするもので、その言語を話す人なら、もともと聞いて理解できる内容です。翻訳は言語そのものを変え、意味を原文の言語から訳文の言語へ運びます。元の会話を理解できる人にとって、翻訳から得るものは何もなく、文字起こしからはすべてを得られます。
リアルタイム翻訳とは、具体的にどういう意味ですか?
リアルタイム翻訳とは、会話が続いているあいだに訳文が表示され、それが話し手のすぐ後を追っていて、聞き手が後で見返すためではなく、その場で会話に参加するために使える状態を指します。実際には、遅延がおよそ1〜3秒ということです。通話が終わってから訳文を作るものは、どれほど速くても事後処理です。
リアルタイム翻訳と通訳は同じですか?
違います。通訳は資格を持つ人が行い、音声で伝え、話し手が意図した意味のレベルで扱います。そのため通訳者は、あいまいな点を指摘したり、言葉の丁寧さを調整したり、話し手に意図を確かめたりできます。リアルタイム翻訳ソフトウェアは自動でテキストを作るだけで、何かを問い返す手段がありません。両者が重なるのはタイミングだけです。
リアルタイム翻訳が話し手より遅れるのはなぜですか?
翻訳エンジンは、訳を確定する前に、文のある程度大きなかたまりを必要とするからです。語順は言語によって異なるため、ドイツ語や日本語を翻訳するシステムは、文末にやっと出てくる動詞を待たなければならないことがあります。この待ち時間が、音声認識の段階ですでに生じている遅延の上に加わります。
会議での機械翻訳の精度はどのくらいですか?
日常的なビジネスの会話には十分ですが、際どい部分では当てになりません。2つの段階が順番に動くため、認識の誤りが正しいものとして翻訳側に渡され、出力は流暢なまま意味だけがずれていきます。慣用表現、社内の略語、製品名、複数人の同時発話は、とくに目に見えて崩れやすいところです。
翻訳字幕と翻訳された文字起こしの違いは何ですか?
翻訳字幕はリアルタイムの表示で、一度読まれたら次の行に置き換わります。多くのプラットフォームでは、通話が終わると何も残りません。翻訳された文字起こしは保存された文書で、何週間後でも検索、引用、見返しができます。字幕は会議中の理解を助け、文字起こしはその後に起こるあらゆる言い争いを解決します。
海外との会議に必要なのは文字起こしと翻訳のどちらですか?
参加者全員が話されている言語を無理なく理解できるなら、通常の文字起こしで十分です。翻訳を加えても、理解は深まらずコストが増えるだけです。少なくとも1人が第二言語で参加しているなら翻訳を加えましょう。そして、その人が後から追いつくのではなく、通話中に発言する必要がある場合にだけ、リアルタイムにします。
関連製品
Laxis 会議アシスタント
議事録を今日から自動化。
- Zoom・Google Meet・Teams も対面会議も、ボットなしで記録
- AI 要約・アクションアイテム・フォローアップを 60 以上の言語で
- Mac・Windows・iPhone・Android 対応、無料プランあり
無料で始められます。クレジットカードは不要です。
詳細を見る ▷