スウェーデン語：「謝れ！」が「謝ります」になったとき

スウェーデン映画 Ondskan（Evil、2003）には、寄宿学校のいじめの場面があります。いじめっ子がもう一人の少年に「Be om ursäkt」、謝れと怒鳴ります。ElevenLabs、Speechmatics、Soniox、Deepgram はそろってこれを「Jag ber om ursäkt」、謝りますと書き起こしました。謝罪を要求する側が、謝る側になってしまったのです。

正しく書けたのは AssemblyAI だけでした。このセリフは、AssemblyAI が今もスウェーデン語の構成に残っている理由の一つです。

テスト音源

音源は四本で、すべて映画とテレビから取りました。音声は公開していません。

最初の二本はエンジンを失敗させるためにあります。後の二本は本物のインタビューに近いものです。

テストしたエンジン

ElevenLabs Scribe v2、AssemblyAI、Speechmatics、Soniox、Deepgram、Qwen、FunASR、Doubao。Gemini は 2026年8月に追加しました。

スウェーデン語は、Doubao が公表している対応 25 言語のリストに入っていません。スウェーデン語を入れると英語が返ってきて、ときにはループします。「I don't know」が十五回連続です。この言語では不採用としました。

レッドライン

スウェーデン語で最も多かった問題は否定と立場の反転です。冒頭のセリフがその一つです。ElevenLabs も Tillsammans で inte を一つ落とし、「彼らを見るな、彼らの話を聞くな」が「彼らを見るな、彼らの話を聞け」になりました。Speechmatics は「Tycker du」（あなたはどう思う）を「Jag tycker」（私は思う）に変え、「一番不器用な」を「一番不誠実な」に変えました。不器用さについての発言が、人格への攻撃に変わってしまいます。

ハルシネーションによる文：当初、二つのグループの場面で AssemblyAI に三つの捏造があるとしました。字幕にないセリフです。検証すると、Soniox と Qwen も同じ箇所で同じ言葉を聞き取っていました。字幕が実際のセリフを省いていたのです。それ以来、複数のエンジンがそろって参照と食い違うときは、まず参照のほうを確認するようにしています。

ループ：Qwen はスウェーデン語で同じ内容を繰り返しがちで、自動スキャンでは短い区間で一語が 35 回繰り返されていました。Speechmatics は群衆の「Kryp!」の囃し声を十二個の「Hi」に変えました。厳密には置換ですが、どちらにせよ意味は失われています。

言語のずれは Doubao でしか見られませんでした。これらの音源では、どのエンジンでも区間の欠落や内容の挿入の明確な例は見られませんでした。

何を選んだか

• 主軸エンジン：ElevenLabs Scribe v2。 四本を通じて最も欠けが少なく忠実で、ループもありません。二回の反転はどちらもグループの場面で起きており、インタビュー形式の二本では一つもありませんでした。
• 参照エンジン：AssemblyAI、Soniox、Gemini。

AssemblyAI：謝罪のセリフを正しく書けた唯一のエンジンで、インタビュー形式の二本ではどちらもクリーンでした。

Soniox は Speechmatics と入れ替えました。Speechmatics は「反転なし」と記録されていました。音源を見直すと、それは成り立ちませんでした。Speechmatics は謝罪のセリフを間違えたエンジンの一つで、上に挙げたほかの二つの変化も Speechmatics のものです。Soniox には、この四本で Soniox だけのレッドラインはありませんでした。Speechmatics が減点された各箇所で、Soniox は正しく書くか、推測せずに空白を残していました。

Gemini は八月に加わりました。インタビュー形式の二本でレッドラインはゼロです。Morgonstudion では 730 語を出力し、グループの中で最も欠けの少ない書き起こしで、書名も名前も正しく残っていました。

私たちの選択に不利な証拠

• ElevenLabs も二回、意味を反転させました。主軸エンジンとして機能するのは、こうした箇所を参照エンジンが捉えられるからです。
• Gemini は Tillsammans で「あなたが家族を壊した」を「私が家族を壊した」に変えました。
• 初期の自動スキャンでは、スウェーデン語で Soniox が参照の 1.8 倍の語数を出力し、繰り返しもありました。後の一行ずつの検証では Soniox だけのレッドラインは見つかりませんでしたが、この兆候は忘れていません。
• 最もクリーンな音源の Babel では、Speechmatics の WER は 32.7% で、Qwen の 32.5% と並ぶ最低水準でした。ElevenLabs は 44.0% でした。それでも Speechmatics を外したのは、私たちが数えるのは意味がどれだけの頻度で間違うかであり、その尺度では Speechmatics のほうが悪かったからです。

未解決の点

音源は四本：映画のグループ場面が二本、テレビの一部が二本です。どれも実際の調査インタビューではなく、地方の訛りを基準に選んだものもありません。そして冒頭のセリフのように、複数のエンジンが同じ誤りを犯し一つだけが正しいケースは、多数決では直せません。そのため否定と意味の反転については多数派に従いません。確かな証拠がなければ、そのセリフには印を付け、人が聞いて確認するようにしています。