日本語の音声コーディング向けにリアルタイムSTT 3社（Speechmatics / Soniox / Modulate）のpartialと確定タイミングを実測した

はじめに

「FizzBuzz を作って」と話しかけるとコードが出てくる、音声コーディングツール（VS Code 拡張）を作ろうとしています。
応答を速くするために考えたのが 先読み実行 です。ユーザーが言い終わるのを待たず、途中の文字起こし（partial）で意図が読めた時点で LLM を走らせてしまう、という設計です。

これが成り立つかどうかは、STT が partial・確定・ターン終了をどのタイミングで返すかで決まります。そこで実測しました。

• 前半: Speechmatics Agent STT（linden-1）にマイクで話しかけて、イベントのタイミングを測る
• 後半: 同じ録音を Speechmatics / Soniox / Modulate の 3 社に流して比較する
• おまけ: Soniox の終了判定パラメータを変えて試す

先に結論

• 日本語では、言い終わる前に partial から意図を読み取れない。 「作って」「説明して」は文末に来るので、意図が読める partial が届くのは、どのサービスでも発話終了の 0.3〜0.5 秒 後 だった。言い終わる前に読めたケースは 0 件。
• 速さなら Speechmatics、精度と言い直しの扱いなら Soniox。 Modulate は今回の用途では厳しかった。
• 先読み実行が効くのは「確定が遅い Soniox で partial を使う」組み合わせ（約 0.9 秒早く動き出せる）。Speechmatics では 0.4 秒ほどしか稼げない。

3 社の特徴をひとことで言うと、こうなります。

サービス	ひとことで	確定までの中央値	向いている使い方
Speechmatics	速いが、こまめに切る。 0.4 秒前後の間でターンを閉じるので、言い直しは必ず別ターンになる	0.8 秒	確定を待って即起動。分割されたターンの結合はアプリ側で書く
Soniox	正確で、文脈を見て待つ。 語彙を渡せばコード用語は全問正解。言い直しも短い間なら 1 つの発話で返す。そのぶん確定が遅い	1.3 秒（最大 2.9 秒）	partial で先に動き出し、確定で突き合わせる
Modulate	partial は細かいが、確定が遅く不安定。 コード用語に弱い。感情や合成音声の判定など、文字起こし以外の信号も返せるのが特色	2.1 秒	今回の用途には向かない

話者 1 人・各条件 3 回程度の小さな計測です。傾向の把握が目的で、1 回ぶんの差で優劣は断定できません。料金も比較していません。

用語

用語	意味
partial	話している途中に返る 未確定 の文字起こし。音声が進むと更新され、書き換わることがある
final	確定 した文字起こし。以後変わらない
ターン終了	「この発話は終わった」という合図。Speechmatics は EndOfTurn、Soniox は <end> トークン。Modulate には無い
先読み実行	final を待たず、partial で意図が読めた時点で LLM を起動すること

環境

項目	値
計測日	2026-10-01
OS / Python	Windows 11 / Python 3.11.9
Speechmatics	Agent STT linden-1、speechmatics-agent-stt 0.1.0、EU エンドポイント
Soniox	stt-rt-v5、enable_endpoint_detection: true
Modulate	velma-2-stt-streaming、partial_results=true
音声	16 kHz / モノラル / 16-bit PCM、32 ms ごとに送信

シナリオ

#	発話	見たいこと
A	FizzBuzz を作って	コード用語、短い命令の遅延
B	10 行目から 20 行目の処理を説明して	数字、「から」の構造
C	この関数を async にリファクタして	コード用語（async、リファクタ）
D	えーっと…（沈黙）…FizzBuzz を作って	沈黙でターンが切れるか
E	FizzBuzz を作って、あ、やっぱり説明して	言い直しの扱い
F	真壁さんが書いた関数を説明して	人名（後半の比較のみ）

F の人名は仮名です。実際の計測では別の名字を使っており、記事中の表記だけ置き換えています。

前半: Speechmatics Agent STT をマイクで測る

計測スクリプト

公式 SDK はイベントごとにハンドラを登録する形です。

from speechmatics.agent_stt import (
    AgentSttAsyncClient, Microphone, Model, ServerMessageType, TranscriptionConfig,
)

client = AgentSttAsyncClient(  # SPEECHMATICS_API_KEY を環境変数から読む
    transcription_config=TranscriptionConfig(
        model=Model.LINDEN_1,
        language="ja",
        enable_partials=True,
        additional_vocab=[
            {"content": "FizzBuzz", "sounds_like": ["フィズバズ"]},
            {"content": "async", "sounds_like": ["エイシンク", "アシンク"]},
        ],
    )
)

@client.on(ServerMessageType.ADD_PARTIAL_SEGMENT)
def on_partial(message):
    print("partial", message["segment"]["transcript"])

@client.on(ServerMessageType.ADD_SEGMENT)
def on_final(message):
    print("final  ", message["segment"]["transcript"])

@client.on(ServerMessageType.END_OF_TURN)
def on_end_of_turn(message):
    print("turn end at", message["metadata"]["end_time"])

async def main():
    async with client:  # 接続して、音声を受け付ける状態になるまで待つ
        mic = Microphone(sample_rate=16000, chunk_size=1024)
        mic.start()
        while True:
            await client.send_audio(await mic.read(1024))

サーバーは SpeechStarted / SpeechEnded で「音声の何秒目で発話が始まり、終わったか」を返します。この音声上の時刻を、送った音声量をもとに実際の時刻に対応づけて、「発話終了から final まで何 ms か」を出しました。

遅延（A〜E、47 ターン）

指標	中央値	最小	最大
発話終了 → final	624 ms	499	947
発話終了 → ターン終了	625 ms	499	947
発話開始 → 最初の partial	940 ms	501	1858
partial の遅れ（話した時点 → 届いた時点）	591 ms	368	1074
partial の更新間隔	361 ms	214	878
発話終了 → 意図が読める partial	303 ms	27	740
意図が読める partial → final	351 ms	0	742

final とターン終了はほぼ同時（差 0〜2 ms）に届きます。発話終了から 0.6 秒で確定するので、これ自体がかなり速いです。

意図は言い終わる前には読めない

「意図が読める」を、partial に 作っ / リファクタ（generate）か 説明（explain）が初めて現れた時点と定義しました。

結果は、39 ターンすべてで発話終了より後。日本語は動詞が文末に来るうえ、partial は話した時点から約 0.6 秒遅れて届くためです。partial を使って稼げるのは中央値 0.35 秒で、39 ターン中 4 ターンは partial に一度も意図が出ないまま final になりました。

一方で 対象 は早く取れます。"FizzBuzz" は発話開始から約 0.8 秒、「10行目から20行目」は final の 1.0〜1.6 秒前に partial に出ました。ファイルや該当行の読み込みは発話中に始められます。

ターンが早く切れすぎる

設計上の問題はこちらでした。

• D（フィラー + 沈黙）: 6 回中 6 回、沈黙中にターン終了が出た。「えーっと」だけで 1 ターンになり、うち 4 回は「と。」と認識された。
• E（言い直し）: 6 回中 6 回、「FizzBuzzを作って。」で確定してから「やっぱり説明して。」が別ターンで届いた。partial が置き換わるわけではない。
• 言葉が出たあとは、0.36 秒の間 でもターンが切れた。意図的でない言いよどみ（「この関数を」のあとの 0.42 秒）でも切れている。

VAD のしきい値は変更できません（公式ドキュメントに "Voice activity detection is not currently configurable." とあります）。自前で区切るなら TurnDetectionMode.EXTERNAL にして client.finalize() を呼ぶ形になります。

カスタム語彙の効果

語	語彙なし	語彙あり
async	0/3（「シンク」）	3/3
FizzBuzz	11/12	9/9

async には明確に効きました。FizzBuzz は語彙なしでもほぼ出ます。

後半: 3 社に同じ録音を流して比較する

比較の方法

マイクに毎回話すと、発話ごとの差が混ざります。そこで 一度録音した WAV を、実時間のペースで 3 社へ同時に送る 形にしました。

async def paced_chunks(pcm: bytes, recorder):
    """各チャンクを、その最後のサンプルが録音されるはずの時刻に送り出す"""
    recorder.start()
    for offset in range(0, len(pcm), CHUNK_SIZE):
        chunk = pcm[offset : offset + CHUNK_SIZE]
        due = recorder.started + (offset + len(chunk)) / BYTES_PER_SECOND
        await asyncio.sleep(max(0.0, due - time.perf_counter()))
        yield chunk

こうすると「送信開始からの経過時間」がそのまま「音声上の位置」になり、どのサービスのイベントも同じ時間軸で比べられます。発話の開始・終了は WAV の音量（20 ms フレームの RMS）から求め、3 社とも同じ基準で測りました。

Soniox は最初に設定を JSON で送り、あとは音声をバイナリで流します。発話の区切りは <end> という特別なトークンで届きます。

config = {
    "api_key": api_key,
    "model": "stt-rt-v5",
    "audio_format": "pcm_s16le",
    "sample_rate": 16000,
    "num_channels": 1,
    "language_hints": ["ja"],
    "enable_endpoint_detection": True,
    "context": {"terms": ["FizzBuzz", "async", "await", "リファクタ", "真壁"]},
}

# 応答 1 件ぶんの処理
for token in response["tokens"]:
    if token["text"] == "<end>" and token["is_final"]:
        ended = True                  # ここが発話の区切り
    elif token["is_final"]:
        final_text += token["text"]   # 確定トークンは 1 回だけ届く
    else:
        non_final += token["text"]    # 未確定トークンは毎回入れ替わる

Modulate は設定をクエリ文字列で渡します。語彙は最初のテキストフレームで送ります。

query = urlencode({
    "api_key": api_key,           # このエンドポイントはクエリでしか受け取らない
    "audio_format": "s16le",
    "sample_rate": 16000,
    "num_channels": 1,
    "speaker_diarization": "false",
    "partial_results": "true",
    "language": "ja",
})
url = f"wss://platform.modulate.ai/api/velma-2-stt-streaming?{query}"
# 応答は {"type": "partial_utterance" | "utterance" | "done" | "error", ...}

Modulate は API キーが URL に入ります。例外メッセージやログに URL を出さないよう注意してください。

録音は 6 シナリオ × 3 テイクの 18 本です（ピーク −6 dBFS 前後、音割れなし）。語彙あり・なしの両方を流しました。録音の末尾には 5 秒の無音を足し、各社が自力で発話を閉じるのを待っています。

遅延（語彙あり、18 テイク、ms）

サービス	発話終了 → 確定（中央値）	範囲	発話開始 → 最初の partial	発話終了 → 意図が読める
Speechmatics	781	694〜1283	776	375
Soniox	1290	738〜2912	897	433
Modulate	2110	1264〜3703	954	518

前半の 624 ms と数字が違うのは、基準が違うためです。前半は Speechmatics 自身の VAD が判定した発話終了、後半は WAV の音量から求めた発話終了を使っています。後者のほうが約 0.16 秒早い位置になるので、前半と後半の数字は直接比べられません。

• partial の速さは 3 社で大きく変わらない。 意図が読めるのは、どこも発話終了の 0.4〜0.5 秒後。
• 差が出るのは確定までの時間。partial から確定までの差（先読み実行で稼げる時間の目安）は、Speechmatics 約 0.4 秒、Soniox 約 0.9 秒、Modulate 約 1.6 秒。
• Soniox の確定は文末の判定で変わる。文が完結したと判断すると 0.7〜2.4 秒、続きがあると判断すると約 2.9 秒（18 本中 4 本）。後者では文末が「、」になる。「〜して」を文の途中とみなしている ように見える。

partial の出方

B「10 行目から 20 行目の処理を説明して」を Soniox に流したときの流れです。時刻は発話終了を 0 とした秒。

時刻	種類	内容
−1.78	partial	10
−1.52	partial	10行目
−1.44	partial	10行目から
−0.70	partial	10行目から20
−0.50	partial	10行目から20行目
+0.14	partial	10行目から20行目の処理を
+0.25	partial	10行目から20行目の処理を説明 ← 意図が読める
+0.74	final + ターン終了	10行目から20行目の処理を説明して。

行範囲は言い終わる 0.5 秒前に出そろい、意図は言い終わった 0.25 秒後に読めます。この例で先読み実行が稼げるのは、+0.25 → +0.74 の約 0.5 秒です。

partial は書き換わります。同じ文の別のテイクでは、Soniox の partial が「重量目から20」まで進んだあと「10行目から20行」に直りました。

更新の細かさはサービスで違います。

サービス	更新間隔（中央値）	1 テイクあたり	単位
Speechmatics	約 380 ms	5〜6 回	語のまとまり
Soniox	約 130 ms	13〜14 回	トークン
Modulate	約 150 ms	14〜15 回	ほぼ 1 文字ずつ

認識（その語を含んでいたテイク数 / 含むべきテイク数）

サービス	語彙	FizzBuzz	async	リファクタ	10行目	20行目	人名（F）
Speechmatics	あり	9/9	3/3	3/3	1/3	1/3	2/3
Speechmatics	なし	9/9	0/3	3/3	1/3	1/3	2/3
Soniox	あり	9/9	3/3	3/3	3/3	3/3	2/3
Soniox	なし	0/9	1/3	2/3	3/3	3/3	2/3
Modulate	あり	1/9	3/3	2/3	2/3	2/3	3/3
Modulate	なし	0/9	2/3	2/3	2/3	2/3	3/3

表記は厳密に判定しています（大文字小文字・全半角・句読点・空白は無視）。

• Soniox は語彙が必須。 語彙なしだと FizzBuzz は「フィズバズ」などカタカナで返る（音は合っている）。語彙を渡すと 9/9 で、コード用語と行番号は全問正解だった。
• Speechmatics は語彙なしでも FizzBuzz を綴る。async は語彙なしだと 3 回とも「シンク」で、語彙を渡すと 3/3。行番号は 3 本中 2 本が「10両目から20両目」になった。「FizzBuzz。を作って」のように、文の途中に「。」が入るケースが 36 回中 5 回あった（Soniox と Modulate は 0 回）。
• Modulate は FizzBuzz が「ビズバズ」「クイズ画像」「フェーズバズ」などになり、語彙を渡してもほぼ直らなかった。行番号が「十両目」になることもある。
• 人名 は Speechmatics と Soniox が語彙の有無によらず 2/3、Modulate が 3/3。誤認識は、音の近い別の語や、別の名字に置き換わる形だった。語彙に登録しても直らなかった。

Modulate で語彙がそのまま出力された

Modulate に語彙（custom_terms）を渡したテイクで、次のことが起きました。

partial: この関数を async にリファクタして
final:   FizzBuzz、 async await。この関数をasyncにリファクタして。

partial は正しいのに、確定結果の文頭に、渡した語彙の並びが付いています。語彙ありの 18 本中 1 本で発生しました。partial と final で別の処理が走っているようです。語彙機能を使うなら、final をそのまま信用しない作りが要ります。

ターンの切れ方（語彙あり）

サービス	E（言い直し）が分割	D（フィラー + 沈黙）が分割	発話前の雑音が 1 ターンに
Speechmatics	3/3	3/3	3/18
Soniox	1/3	2/3	0/18
Modulate	1/3	2/3	0/18

言い直しまでの間は、3 本で 0.80 秒、0.82 秒、1.58 秒でした。Speechmatics はすべて分割します。Soniox と Modulate は 0.8 秒の 2 本を「FizzBuzzを作って、あ、やっぱり説明して。」と 1 つで返し、1.58 秒空いた 1 本だけ分割しました。D も同じ傾向で、沈黙が 0.92 秒の 1 本は分割されず、1.5 秒前後の 2 本は分割されています。

音声コーディングでは、この差が大きいと感じました。短い言い直しのたびに LLM を取り消す処理が、要らなくなるからです。

Speechmatics は発話前の雑音（録音開始のキー音など）を「と。」「各。」という 1 ターンにすることもありました。

おまけ: Soniox の終了判定を調整する

Soniox には終了判定のパラメータが 3 つあります。

• max_endpoint_delay_ms: 発話終了後に待つ上限（500〜3000、既定 2000）
• endpoint_latency_adjustment_level: 遅延短縮の強さ（0〜3、既定 0）
• endpoint_sensitivity: 終了と判定しやすさ（−1.0〜1.0、既定 0.0）

同じ 18 本を 5 通りの設定で流しました（語彙あり）。

設定	確定までの中央値	最大	E が分割
既定（上限 2000 ms）	1290 ms	2912	1/3
上限 1000 ms	1303 ms	2066	1/3
レベル 3	1050 ms	2933	2/3
レベル 2・感度 0.3・上限 1500 ms（公式が勧める出発点）	920 ms	2497	3/3
上限 500 ms	1188 ms	1531	3/3
レベル 3・感度 0.5・上限 500 ms	676 ms	1594	3/3
参考: Speechmatics	781 ms	1283	3/3

• 最悪値を決めるのは上限。 実際の確定は最大で「上限 + 約 1 秒」になる。「〜リファクタして」で終わる C は、レベルや感度を上げても上限いっぱいまで待った。
• レベルと感度を上げると中央値は縮むが、言い直しの分割が増える。 既定 1/3 → レベル 3 で 2/3 → 推奨設定で 3/3。
• 最も攻めた設定なら Speechmatics 並みの速さになる（中央値 0.68 秒）。ただし言い直しは 3/3 で分割され、ターンの切れ方も Speechmatics と同じになる。入力レベルが小さい別の録音では同じ設定で 1.1 秒だったので、この数字は録音によって振れる。
• 上限 1000 ms だけが、分割を増やさなかった。 最悪値が 2.9 秒 → 2.1 秒に縮み、中央値は変わらない。
• どの設定でも、語の認識結果はほぼ変わらなかった。

「速くて、言い直しを分割しない」設定は見つかりませんでした。速さと分割しにくさはトレードオフで、Soniox はそのどこに置くかを選べる、という位置づけです。

3 社の特徴まとめ

項目	Speechmatics	Soniox	Modulate
位置づけ	音声エージェント向けの Agent STT。発話開始・終了とターンのイベントを返す	トークン単位のストリーミング STT。文脈を見て発話の終わりを判定する	音声解析の一機能としての STT。感情・アクセント・合成音声の判定を同じ接続で返せる
確定の速さ	◎ 0.8 秒で安定	△ 1.3 秒、最大 2.9 秒（設定で調整可）	× 2.1 秒、最大 3.7 秒
partial	約 0.4 秒ごと、語のまとまり	約 0.13 秒ごと、トークン	約 0.15 秒ごと、ほぼ 1 文字
コード用語	○ FizzBuzz は語彙なしで出る。async は語彙が必要	◎ 語彙ありで全問正解。語彙なしはカタカナになる	× FizzBuzz がほぼ出ない
行番号	△「10両目」になりやすい	◎	○
言い直し	必ず別ターンに分割	間が 0.8 秒程度なら 1 つで返す	間が 0.8 秒程度なら 1 つで返す
ターン終了の通知	あり（EndOfTurn）	あり（<end> トークン）	なし（発話単位の確定のみ）
終了判定の調整	不可。自前で区切るモードはある	3 つのパラメータで可	今回のエンドポイントには見当たらない
語彙機能	読みを添えて登録できる	語のリストを渡す	語のリストを渡す。確定結果に語彙が混ざる副作用があった
注意点	雑音やフィラーが 1 ターンになる。文中に「。」が入る	「〜して」で終わる文は確定が遅い	partial と final が食い違う

記号は今回の計測での相対評価です。Modulate の感情・合成音声の判定は、今回は使っていません。

設計への示唆

最初の問い「partial は先読み実行のトリガーに使えるか」への答えは、サービスによる でした。

Soniox を使う場合

• 上限を 1000 ms にする。
• partial で意図が読めた時点（発話終了の約 0.4 秒後）に LLM を先に起動し、<end> で確定と突き合わせる。確定を待つより 0.9 秒ほど早い。
• 言い直しは、間が短ければ 1 つの発話として届くので、取り消し処理は軽くて済む。
• 語彙の登録は必須。

Speechmatics を使う場合

• 確定が速いので、partial で先走る効果は小さい（約 0.4 秒）。ターン終了で即起動すればよい。
• 代わりに、ターン終了を「仮確定」として扱う。直後に次の発話が始まったら LLM を取り消して前のターンと結合し、フィラーや雑音だけのターンは捨てる。
• つまり先読み実行の形が変わる。「partial で先走る」ではなく「ターン終了で起動し、続きが来たら取り消す」。

どちらでも共通

• 対象（ファイル名、行番号）は発話中に partial で取れるので、コンテキストの準備は先に始められる。
• partial は書き換わる。partial で始めた処理は、final と突き合わせて捨てられるようにしておく。
• 人名は語彙に入れても安定しない。名前で対象を指定する操作は、候補から選ばせるなど別の手段を用意したほうがよい。

この計測の限界

• 話者 1 人、各シナリオ 3 テイク。1 テイクぶんの差（2/3 と 3/3 など）では優劣を断定できない。
• 前半のマイク計測は、入力レベルが小さい状態（ピーク −29 dBFS 前後）で行った。後半は適正なレベルで録音している。
• 発話の開始・終了は音量からの推定。発話前の雑音を開始と誤判定したテイクがあり、「最初の partial」の数値は参考程度。
• 接続先は Speechmatics が EU、他は各社の既定。日本からのネットワーク往復を含む。
• Soniox の設定違いは各 1 回の計測。Speechmatics の EXTERNAL モードと英語は未計測。
• 料金は比較していない。

まとめ

• 日本語は動詞が文末に来るので、partial で「言い終わる前に意図を知る」ことはできなかった。
• 速さなら Speechmatics、精度と言い直しの扱いなら Soniox。Soniox は設定で Speechmatics 並みに速くできるが、そのときはターンの切れ方も同じになる。
• 先読み実行の価値は、STT の確定がどれだけ遅いかで決まる。確定の速い Speechmatics では小さく、遅い Soniox では大きい。
• ターンの切れ方（言い直し・フィラーの扱い）は、遅延の数字と同じくらい設計に効く。数字だけでなく、実際の発話パターンで確かめる価値がある。
• 比較するなら、録音を実時間で流す方式が楽。話すのは 1 回で済み、設定を変えて何度でも測り直せる。