ルーマニア語：「おなかすいた？」が「腹ぺこだ」になった

あるルーマニア映画の冒頭。二人が言葉を交わし、背景雑音はほとんどなく、群衆もいません。ルーマニア語の四本の音源の中で、これが最もクリアです。

一人が尋ねます。「Ți-e foame?」おなかすいた？

Speechmatics は「mor de foame」、腹ぺこだ、と書きました。質問が断定になり、しかももう一人の発言になっています。同じ一分間に、「ねえ、聞いて」を「私も聞いた」に、「花を受け取った」を「花をあげた」に変え、「メレンゲのケーキ」の「tort」（ケーキ）を、合わない語 satisfăcător（「満足のいく」）に置き換えました。

セットの中で最も易しい音源でエンジンがこうなるなら、問題は録音ではなくエンジンにあります。

テスト音源：映画三本、場面四つ

• Filantropica（2002）：ナイトクラブの外の群衆。強い雑音、互いに怒鳴り合う人々。最高難度。
• ラザレスク氏の最期（Moartea domnului Lăzărescu、2005）：救急処置室。医師、看護師、患者、電話が入り乱れ、bariu（バリウム）のような医学用語も出てきます。中〜高難度。
• 4ヶ月、3週と2日（4 luni, 3 săptămâni și 2 zile、2007） の二場面：食卓全体が入り乱れて話し、割り込みが絶えず、値段がたくさん出てくる誕生日の夕食（最高難度）と、上で述べた冒頭の二人の口論（基準難度）。

ルーマニア語の素材は乏しいのが実情です。音声が手に入る映画には字幕がなく、字幕のある映画には完全な音声がないため、二つの場面を同じ映画から取らざるをえませんでした。

テストしたエンジン

第一ラウンド：ElevenLabs Scribe v2、AssemblyAI、Speechmatics、Doubao（ro-RO）。FunASR、iFlytek、Qwen は参考として走らせただけです。Soniox の書き起こしは全エンジンを対象にした別の実行から取り、七月初めに検証に加えました。Gemini は 2026年8月に追加しました。

エンジン別のレッドライン

Speechmatics はどの音源でも問題がありました。上に挙げたもののほかに、路上の場面では「Cult Club に行く」が「寝に行く」になり、単純な「どこ？」が、誰も口にしていない場所「Where is Lake Sloop」に膨らみました。救急処置室では、誰も言っていない文、おおよそ「先生は電話中」を足しました。

AssemblyAI はループしませんでしたが、混雑した場面では単語を捏造します。「Cult Club」が二度、実在しない語「Kulfland」になりました。夕食の場面では「dragă」（ねえ、あなた）を二度、罵り言葉の「dracu」に変えました。クリアな音源では否定を挿入し、「続けて！ 話すから…」が「続けて、話さないから…」になりました。さらに名前を崩し、文頭の動詞を壊し、区間をまるごと抜かしました。

ElevenLabs：どの音源でも反転はありません。誤りは「Cult」の脱落と、「sutimi」（百分の一、つまりセントの意味）を音の似た「sutieni」（ブラジャー）と二度聞き違えたことです。

Doubao：ハルシネーションも反転もなく、夕食の場面の値段はすべて正確でした。誤りは音の似た語の取り違えで、たとえば「下から何か持ってこようか？」の ceva（何か）を ceaiul（お茶）としたものです。

Soniox：でっち上げられた区間はなく、書き起こしの長さは ElevenLabs や Doubao とほぼ同じで、水増しされていません。Popescu という名前と条件法の「dacă-mi vii」（私のところに来てくれるなら）を正しく書きました。まさに AssemblyAI が崩し、Speechmatics が反転させた箇所です。クリアな音源では音の似た二か所をぼかしました。

何を選んだか、そしてその理由

主軸：ElevenLabs Scribe v2。 クリアな音源でエラー率が最低で、どの音源でも反転はありません。

参照 1：Soniox。 参照候補の中で四本すべてのエラー率が最低で、一行ずつ読んでもきれいでした。AssemblyAI と入れ替えました。AssemblyAI の誤りは大半が目立つ奇妙な語なので、外したのは危険だからではなく、Soniox より弱いからです。

参照 2：Doubao。 ハルシネーションも反転もありません。Soniox と Gemini はどちらも大規模モデル型の書き起こしエンジンで、Doubao は異なるアプローチを取るため、有用な釣り合いとなります。

参照 3：Gemini。 次の節を参照してください。

私たちの選択に不利な証拠

• 当初の結論は AssemblyAI と Doubao でした。変わったのは Soniox の書き起こしを取り出して検証してからです。当初のレポートの本文は今も古い結論のままで、冒頭に訂正が加えられています。
• 医学用語「bariu」を二度とも正しく書けたのは Speechmatics だけでした。Soniox は一文字足りない「bari」と書きました。
• 主軸エンジンも誤ります。ElevenLabs は「セント」を「ブラジャー」と二度聞き違えました。
• Gemini にはルーマニア語でクリーンな映画音源がありませんでした。 救急処置室では「bariu」を「bani」（お金）に変え、冒頭で同じ内容を繰り返しました。夕食の場面では四、五か所誤り、ある文の核心を落とし、「ウイスキー？」を「ジュース？」に変えました。その後、五分間の本物のインタビューのポッドキャストを走らせました。ハルシネーションも反転もループもなく、小さな誤りが二つ（「私」を「彼」に、慣用句の取り違え）、ElevenLabs より正確だった箇所が三つありました。このポッドキャストには人手による参照書き起こしがなく、Gemini は ElevenLabs とだけ比べています。

未解決の点

• 映画三本から場面四つで、どれも調査インタビューではありません。
• 専門語彙があるのは救急処置室の音源だけで、そこではエンジン間の差が大きく出ました（上の「bariu」を参照）。そこでの知見はまだ固まっていません。