40言語以上をリアルタイム翻訳し、通話終了とともに削除する。会議を残すのは多言語文字起こしという層です

2026年4月16日、DeepLがケルンからVoice-to-Voiceを発表しました。オンライン会議、モバイルとウェブでの会話、現場スタッフ向けのグループ利用、そして企業向けAPIという4つの面をカバーする、リアルタイム音声翻訳の製品スイートです。対応言語は40を超え、EU公用語24言語すべてに加えて、ベトナム語、タイ語、アラビア語、ノルウェー語、ヘブライ語、ベンガル語、タガログ語が含まれます。DeepLが委託しSlatorが実施したブラインド評価では、言語専門家の96%がGoogle、Microsoft、Zoomに標準搭載された翻訳よりもこちらを選び、Zoom向けDeepL Voiceは100点満点中96.4点を記録しました。競合プラットフォームは87〜89点です。

真面目に作られた製品です。ただし興味深いのは発表そのものではありません。同じ製品ページのFAQに置かれた一文です。2026年8月31日に改めて確認しました。

「DeepLは文字起こしデータや翻訳データを永続的に保存しません。会議データはメモリ上で一時的に処理され、通話が終わると削除されます。」

この2つの事実を並べて読んでみてください。翻訳は優秀で、その翻訳は夕方には消えています。

まとめ

• リアルタイム会議翻訳は2026年に、難問から出荷済みのコモディティへ移りました。DeepLの40言語以上、Deepgram Nova-3の単一言語58、Google Meetに入ったリアルタイム翻訳が、その証拠です。
• 消えることは多くの場合、意図されたプライバシー設計であって欠陥ではありません。ただしその結果、会議そのものは見返せる成果物を何も残しません。
• 多言語文字起こしは、その下にある別の層です。原語の文字起こし、翻訳、話者ラベル、要約を、ひとつの見返せる記録として保持します。この記事では、なぜ「原語」こそ残らなければならないのか、そしてそうなるように会議をどう運営するのかを扱います。

同じ趣旨のGoogle版を、6月に一度書いています。MeetとTranslateがリアルタイム音声翻訳を消費者向けに押し出した時期でした。多言語会議に見返せるノートが必要な理由です。あれから市場は、当時こちらが問いのまま置いていた部分に答えを出しました。リアルタイム翻訳はもう動きます。だから興味深い問いのほうが移動しました。月曜日の朝、あなたの手元には何が残っていますか。

リアルタイム会議翻訳は、もう難しいところではない

10年ほどのあいだ、リアルタイムの多言語音声は、実際の会議に当たった瞬間に壊れるデモでした。遅延が話者交代を食いつぶし、訛りが認識器を壊し、少しでも専門的な話は崩れて出てきました。その時代がおよそ10か月で終わりました。

DeepgramのNova-3は2025年12月10日のリリースノートで31言語と書き、2026年8月のドキュメントでは58と書いています。9か月足らずでドキュメント上の追加が39言語、およそ7日に1つのペースです。この拡大と、その下に敷かれた但し書きは音声認識の言語カバレッジで「対応」が実際に隠しているもので追いました。GoogleはMeetにリアルタイム音声翻訳を入れました。DeepLは4月に4つの面を持つ音声スイートを出しました。

品質の主張も、いまや反論できるだけ具体的です。それ自体が成熟の兆候です。DeepLが委託したSlatorの評価は、DeepL Voiceのエラー率を4%、競合する会議プラットフォームの平均を17%と報告し、Zoomで96.4点、Teamsで96.3点としています。ベンダーが委託した数字は、ベンダーが委託した数字として扱うのが正しい態度です。ただし方向そのものに争いはなく、発表を誠実に扱った報道も同じ方向を指しています。The Next Webは2026年4月17日の記事で、ソウルでのライブデモが1〜2文程度の遅延で動いたこと、そしてDeepLの最高製品責任者が、言語間の語順の違いは音声対音声翻訳の速度を根本的に制約し続けると認めたことを伝えています。

1〜2文の遅延なら十分に実用的です。条約交渉でプロの通訳者を置き換えられる水準ではありませんし、そう主張する人もいません。しかしワルシャワとソウルとサンパウロをつなぐ火曜のプロダクト定例には十分です。私たちのほとんどが実際にやっているのは、そちらの会議です。

要点はここです。ある能力がこの速さでここまで良くなると、ボトルネックは移動します。すでに移動しました。いまボトルネックは一段下、会議が後に残すもののところにあります。

翻訳は設計上、通話より長くは残らない

さきほどのFAQの一文に戻ります。あれは手抜きではありません。セキュリティ上の姿勢であり、しかも良い姿勢です。DeepLの記述はこう続きます。すべてのデータは転送中に暗号化され、モデルの学習には使われず、「会議参加者のローカルデバイスにのみ残ります」。銀行や病院が会議ツールを調達するとき、法務レビューを最短で通す答えは「何も保持しません」です。

同じ姿勢はライブ字幕の分野全体に広がっています。多言語会議の音声を保存することは、誰も引き受けたくない種類の責任だからです。その結果、業界の既定値はこうなりました。その瞬間の理解は素晴らしく、あとには成果物が残らない。

通話中は2つの方式を区別できません。違いはすべて、通話が終わったあとにあります。左の列は2026年8月31日に確認したDeepL Voice for Online Meetings自身のFAQに従っています。

この構造が生む失敗には形があり、名前が要ります。決定ドリフトと呼びます。全員が会議を完璧に理解したのに、3週間後には何が合意されたのかを誰も証明できない状態です。誤解ではありません。リアルタイム翻訳は仕事をしました。問題は、2つの言語で下された決定の唯一の写しが、5人の記憶のなかに、5通りの言い回しで、少なくとも2つの言語にまたがって存在することです。そして記憶は再生ではなく再構成をします。

決定ドリフトは、ツールの請求書には決して現れない形で高くつきます。作り直した機能として、再交渉した納期として、誰も答えられないコンプライアンス上の質問として、前四半期にチームが何を決めたのか学ぶ手立てのない新入社員のオンボーディングとして現れます。

8月28日、原語がなぜ要るのかを説明したベンチマーク

もし文字起こしが解決済みの均質なコモディティなら、記録を残すことは保存容量の問題で、この記事は短くて済みました。そうではありません。もっとも鮮明な直近の証拠が3日前に出ています。

2026年8月28日、Hugging FaceとVoice ArenaがOpen ASRリーダーボードに初めてグローバルサウスの言語を追加しました。話者5億人超のヒンディー語が、それまで欧州の言語だけを扱っていた多言語タブに入りました。あわせて公開された評価セットは、Monsoon en-INとhi-INの公開・非公開スプリット4本です。話者が重複しない4,888人、話者あたり12の属性、428のディストリクトと数百種の実機から集めた音声で、スタジオ録音ではありません。

そのうえで、リーダーボードに載っていたモデルをこのセットに走らせました。その結果が、今月の音声認識について公開されたなかで最も有用な資料です。

1本の軸に同じ単位を置いています。比較対象どうしがWERで何ポイント離れているか、です。出典: Hugging FaceとVoice Arena、2026年8月28日。

リーダーボードの8モデルは、インド英語の公開スプリットでWER 4.81から4.99のあいだに収まります。最良と最悪の差が0.18ポイント、5時間の音声では分解すらできない幅です。元の記事の表現を借りれば、コーパスで順位をつけるかぎり、これらは同じモデルです。

ところが話者を地域でまとめると、同じモデルではなくなります。各話者の出身ディストリクトをゾーン評議会の単位に集約すると、openai/whisper-large-v3-turboは5つのゾーンで0.46ポイントしか動きません。コーパス平均ではそれよりわずか0.14ポイント下にいるmistralai/Voxtral-Mini-3B-2507は、1.68ポイント動きます。中部ゾーンでWER 4.38、東部ゾーンで6.06です。リーダーボード上では区別できなかった2つのシステムが、話者がどこで育ったかに精度がどれだけ左右されるかでは、4倍近く違います。

しかも、ある地域が単に難しいわけでもありません。ibm-granite/granite-speech-3.3-2bは北部で、microsoft/VibeVoice-ASR-HFは南部で、Voxtralは東部で最も悪くなります。特定のゾーンが本質的に難しいのなら、すべてのモデルがゾーンを同じ順に並べるはずです。そうならないという事実は、音声ではなくモデルを指しています。

多言語会議を運営する側が読むべき点はこれです。あなたの文字起こし品質は、調べれば出てくる1つの数字ではありません。その部屋に誰がいるかで決まる関数です。ベンダーが最も学習していない訛りを持つ同僚こそ、文が崩れて出てくる同僚です。リーダーボードもベンダーのページも、そのことを警告してくれません。唯一の防御は、人が読んで直せる文字起こしであり、そのためには文字起こしが存在していなければなりません。

ヒンディー語は同じ句を10通りに書く。翻訳はそのうち1つを選ぶ

同じ発表の2つめの発見はより微妙で、この記事の主張により深く食い込みます。

英語の綴りのゆれには境界があります。英国式と米国式、句読点、数字を数字で書くか語で書くか、その程度です。正規化器がほとんどを1つの形に写します。ヒンディー語はそのようには区切られません。日常の発話はコードミキシングに満ち、英語由来の語には定まったデーヴァナーガリー表記がなく、複合語は好みに応じて続けても離しても書かれます。1つの句に有効な表記が10通り以上あり得て、それらを寄せるべき正典が存在しません。

そこでヒンディー語のスプリットはラティスを同梱します。文字起こしの各スパンごとに、正解として認める表記の集合を持たせる方式です。採点も通常のWERではなく、AI4Bharatが提案したOIWER、すなわち正書法を織り込んだ単語誤り率で行います。同じ仮説文字起こしを、ラティスを1つに潰した単一参照で採点し直したところ、すべてのシステムで誤り率が上がり、上がり方は一様ではなく、システムどうしの順位が入れ替わりました。単一参照のもとでは、モデルは注釈者が選んだ綴りを再現したことにも部分的に報酬を得ます。ラティスのもとでは、認識そのものだけが採点されます。

これが何を意味するか、少し立ち止まってください。「何と書かれたか」の水準でさえ、正解の文字列が1つに定まらないことがよくあります。あるのは許容される集合であり、そこから1つを選んだ瞬間に情報が捨てられます。

翻訳は、まさにその圧縮を一段上で、はるかに大きく行う作業です。訳された1行はすべて、原文が下さなくてもよかった選択を代わりに下した結果です。

3層のうち、残り2つから作り直せないのは原語の1行だけです。

「On va essayer de le faire d'ici fin septembre」が「9月末までにやってみます」になった瞬間、実際に何かが変わっています。フランス語のessayerが持つ特有のぼかしの色合いが、「やってみます」に潰れるからです。それは約束だったのか、意向だったのか。訳された行は答えられません。原語の行は答えられます。6週間後に日程がずれ、2つのチームがその文を違うふうに記憶しているとき、原語の行が議論のすべてです。

この話題全体の中心にある非対称がこれです。翻訳は一方通行です。 原文からの翻訳は何度でもやり直せます。来年、もっと良いモデルで引き直せばいい。しかし翻訳から原文を取り戻すことは決してできません。

通話が終わったあとに残るもの: リアルタイム翻訳機 vs ノートが残る会議翻訳機

いまチームが多言語会議を扱っている3つのやり方を、そのまま並べます。

消える側の列の挙動は、2026年8月31日に確認したDeepL Voice for Online Meetingsの公開FAQに従います。通訳料金は会議通訳の一般に公開されている相場帯であり、言語ペアと市場によって変動します。3列目は特定のベンダーではなく、ノートが残る会議翻訳機というカテゴリ全体を指します。

この表の形そのものが主張です。1列目と3列目は、購入者が普段評価する唯一の行、すなわちその場での理解では同じで、会議が終わったあとに意味を持つすべての行で分かれます。そしてベンダー比較は、ほぼ常に1行目だけで行われます。

リアルタイム翻訳機は窓です。ノートが残る会議翻訳機は、窓であり同時に台帳です。チームは自分が体験する部分だから窓を買い、そのあと、一度も買っていない台帳で四半期を回します。

記録が使えるまま残る多言語会議の運営法

会議で起きる順に6ステップです。特別なものはひとつもありません。失敗はほぼ常に、誰も決めなかったから起きます。

1. 原語を明示的に指定してください。自動検出に頼らないでください。 自動検出は、セッション全体でもっとも文脈の乏しい最初の数秒だけを聞いて1つに決めなければならず、外すと後続のすべての段階が一斉に劣化します。明示的に選べば、専用の単一言語モデルに回してもらえることもあります。一般に単一言語モデルのほうが多言語モデルより強く、Nova-3にしても単一言語では58をドキュメント化する一方、コードスイッチングはちょうど10です。
2. 話す言語と読む言語を分けてください。 これは別々のリストで、ひとまとめに扱うのがこの分野で最も多い設定ミスです。DeepLのヘルプセンターも正確にこう分けています。「話す言語」は認識器が受け付けるリスト、「翻訳言語」は字幕として表示できるリストで、後者のほうがはるかに長くなります。
3. 記録をどこに残すかを通話前に決め、それが会議プラットフォームではないことを確認してください。 翻訳ベンダーが通話終了時に会議データを消すのなら、それは既定値であり妥当な既定値ですが、そのツール内のどんな設定でも記録は生まれません。取得は、意図して別に選ぶ行為でなければなりません。
4. 話者ラベルを有効にしておいてください。 帰属のない訳文は、のちに何かの決定を支える用途にはまったく使えません。「9月までにやります」は、誰が言ったかがわかって初めて事実になります。
5. 固有名詞と業務用語は、最初の5分でライブに直してください。 人名、製品のコードネーム、略語は文字起こしが安定して失敗する場所であり、あとで生成される要約に最も大きな損害を与える場所でもあります。会議が回っている最中に直せば数秒です。誰も読み返さない文書のなかで直すコストはゼロですが、それは誰も読み返さないからです。
6. 要約は、できるかぎり翻訳ではなく原語の文字起こしから作ってください。 翻訳を要約すると、損失を伴う工程が二重に重なります。これはベンチマークで裏づけた結果ではなく私たちの推奨ですが、仕組みは単純です。各段階が情報を捨て、重ねればもっと捨てます。

そして3つの成果物を1つの記録のなかに置いてください。文字起こしがこのツール、翻訳がチャットログ、要約が別の文書、と散らばっていれば、1か月のうちに互いに食い違い始めます。その食い違いこそ、そもそも防ごうとしていたものです。

結論: 理解は帯域の問題だった。記録は記憶の問題である

リアルタイム会議翻訳は帯域の問題を解きます。会話が会話のまま感じられる速さで、意味をテーブルの向こうへ運ぶ問題です。2026年のいま、40言語超を1〜2文の遅延で、ブラインドテストで96%の選好とともに扱えている以上、この問題はおおむね解かれ、四半期ごとに安くなっています。

多言語文字起こしは記憶の問題を解きます。そして帯域側の解決は、この問題にまったく触れません。成果物が違い、保持ポリシーが違い、失敗の仕方が違います。前者だけを買って後者まで手に入ったつもりのチームは、説明できない素晴らしい会議をこれからも続けることになります。

だから次のベンダーとの打ち合わせに持っていくべき問いは、「何言語を翻訳できますか」ではありません。いまや真面目なベンダーは全員、40以上の数字で答えます。問うべきはこちらです。通話が終わったとき、何が残っていて、それは誰の言語ですか。

---

Telli.shの位置: ここまでの話はすべて、リアルタイム翻訳の下にある層についてであり、私たちが作っているのはまさにその層です。Telli.shはリアルタイム文字起こしに44の対象言語への翻訳を重ね、インターフェイス自体も15言語で提供します。ワルシャワの参加者が、韓国語のスタンドアップをポーランド語で読みながら追える、ということです。翌朝に効いてくるのは、3つの成果物が1つのノートに一緒に残ることです。実際に話された内容の原語テキスト、それにそろえられた翻訳、その上で生成された要約が、通話のずっとあとまで見返せて、直せて、検索できます。

リアルタイム翻訳付きの会議ノートを始める

出典

• Hugging Face・Voice Arena, "The Open ASR Leaderboard Adds Its First Global South Language", 2026年8月28日 — Monsoon en-IN・hi-INスプリット、話者4,888人、ゾーン別WERのばらつき、OIWERとヒンディー語ラティス。
• DeepL, "DeepL unveils real-time spoken translation, breaking the next language barrier with Voice-to-Voice", PR Newswire, ケルン, 2026年4月16日 — 40言語超、4つの製品面、DeepLが委託したSlatorのブラインド評価。
• The Next Web, "DeepL launches real-time voice-to-voice translation in 40+ languages", 2026年4月17日 — ソウルでのデモの遅延と語順の制約。
• DeepL, DeepL Voice for Online Meetings 製品ページとFAQ, 2026年8月31日確認 — データ保持の記述、Slatorのスコア、オンライン会議向け音声対音声機能が段階提供中である旨。
• DeepLヘルプセンター, DeepL Voice languages, 2026年8月31日確認 — 話す言語と翻訳言語の区別。
• AI4Bharat, Orthographically-Informed Word Error Rate — ヒンディー語スプリットで用いられた指標。
• Deepgram Nova-3の言語カバレッジは、当社記事音声認識の言語拡大についての分析（2026年8月31日）でまとめたものです。