Geminiに 音声入力する

すでにGeminiと話せる？

はい。Geminiには音声入力が内蔵されています。スマートフォンのGeminiアプリでマイクをタップして質問するか、対応デバイスではハンズフリーで開始することもできます。ウェブのgemini.google.comにもプロンプト欄にマイクがあります。つまり「Geminiに声で質問して答えをもらう」のが目的なら、他に何も必要ありません。機能はすでに製品に含まれています。

このことを最初に明確にしておきたいのは、このキーワードの多くの記事がここを省略し、すぐに何かを売ろうとするからです。Gemini自身の音声入力は、素早い口頭での質問には本当に十分です。「ブラショフの天気は？」「200グラムをカップに換算して」「この記事を要約して」――話して、聞いて、完了。それがすべてなら短い記事です：すでにあるマイクを使ってください。

差が生まれるのは、プロンプトが長くなったり熟考が必要になったとき、そしてGemini以外の場所でも同じ習慣を使いたいときです。それがこの記事の残りの内容です。

なぜ話すだけでなくプロンプトを入力するのか

チャットボットのマイクに直接話しかけると、言葉が入力されて答えが出てきますが、プロンプトを編集可能なテキストとして確認できません。1行の質問なら問題ありません。しかし丁寧なプロンプトでは問題です。「これをフォーマルなトーンで要約して」と言ったのに、マイクが「これをフォーマルなトンで要約して」と聞き取り、モデルが微妙にずれた動作をして全部録り直す羽目になります。先にボックスにプロンプトを入力することで、実行前に確認できます。

もう一つの理由は、この習慣が移植できることです。テキストボックスに音声を入力するショートカットは、どのボックスでも気にしません。今日はGemini、明日はChatGPT、その次の日はClaudeへのプロンプト、Slackのメッセージ、コミットの説明、子供の先生へのメール。一つの筋肉記憶、すべてのアプリで使えます。GeminiのマイクはGemini内でしか機能しません――それは当然のことですが、どこでも機能する第2のツールは冗長ではなく、別の形を持つということです。

最速の方法：システム全体のショートカット

ここで専用アプリが状況を変えます。Whisper by RemskillはGeminiプラグインでも、Chrome拡張機能でも、Google連携でもありません。キーボードのように動作するデスクトップアプリです。ショートカットを押して話すと、文字起こしがカーソル位置に貼り付けられます――あらゆるアプリで、Geminiのプロンプトボックスを含めて。ブラウザでもデスクトップでも同様に機能します。コンピュータから見れば、ただタイプしているのと変わらないからです。

設定は短時間で完了します：

それがサイクルの全てです。文字起こしがボックスに表示され、読んで、おかしなところを直して、送信します。

プロンプトをGeminiに直接音声入力する

起動すると、体験は最良の意味で平凡です。Geminiのプロンプトボックスにカーソルを置き、キーを押したままプロンプトを話して離す。1秒ほどで、タイプしたかのようにテキストが現れます。ライブマイクにはできないことをします：テキストを読む。長いプロンプト――背景の3段落と実際の質問――は、実行前に確認できると正確に作成しやすくなります。

ローカルの文字起こしはあなたのマシンで実行されるため（純粋なRust、Pythonサイドカーなし、サーバーなし）、オフラインで動作し、音声データはラップトップから外に出ません。声でプロンプトを入力し、それを自分でGeminiに送信します――音声入力ステップとAIステップは分離されており、それが途中で編集できる理由です。

AIクリーンアップが「えーっと」を除去する

話し言葉は雑然としています。「えーっと」と言い、文章を言い直し、「わかるでしょ」という意味の音に消えます。Whisperにはオプションのai強化ステップがあり、貼り付ける前に不要な言葉を削除して表現を整えます。「えー、書いてもらえますか、ちょっと、断りのメールを書いてもらえますか」が「断りの短いメールを書いてください」になります。クリーンなプロンプトはクリーンな回答を引き出す傾向があるため、これは単純なメモよりもAIプロンプトにとって実際に重要です。

このクリーンアップはOllama経由でローカルに、無料で、あなた自身のマシンで実行されます。Proユーザーはクラウド経由でルーティングできますが、フィラー除去の恩恵にProは不要です。無料のローカルパイプラインに含まれています。また、オフにして生の文字起こしを貼り付けることもでき、プロンプトをいずれにせよ読んで編集する場合はそれで問題ありません。

同じショートカットがChatGPT、Claude、どこでも機能する

これが別のツールを使う価値がある部分です。ショートカットはGeminiが何かを知りません。カーソルがある場所にテキストを貼り付けるので、今覚えたまったく同じ習慣がChatGPT、Claude、Perplexity、Google Doc、メールクライアント、プルリクエストのコメントボックスで機能します。一つの操作を覚えれば、今日どのAIを使うかを考えなくて済みます。Geminiの内蔵マイクは設計上、Gemini内でのみ機能します。

通常の週に、やっていることによって3〜4つのAIツールを行き来します。各ツールに異なる音声ボタンがあり、それぞれ微妙に動作が違うのは避けたかった。全てに入力できる一つのショートカットは覚えることが少なく、どれかがデザイン変更をリリースしても動き続けます。

Whisperアプリの全体像

ショートカットが最もよく使う部分ですが、その背後に設定画面があります。文字起こしエンジンを選択できます：Whisperモデル（多言語バリアントは99言語対応、英語専用の.enビルドはちょうど1言語対応）、またはNVIDIAのParakeet（約600MB、CPUでWhisperより5〜10倍速く、英語と24のヨーロッパ言語に対応）。ショートカットを設定し、履歴を管理し、プリセットを保存できます。Geminiにプロンプトを一つ音声入力するためにこれらは不要です。調整したいときのためにあります。

Gemini自身のマイクで十分な場合

Geminiに素早い音声質問をしたいだけなら、別のアプリは完全に省略してください。Geminiを開き、マイクをタップまたはクリックして話してください。内蔵されていて無料で、1行の質問では第2のツールから得るものは何もありません――ステップを追加するだけで、削除しません。他の大手チャットボット内の音声機能でもそのアプリだけで作業する場合は同様です。

専用ショートカットが3つの点で優位に立ちます：送信前に読みたい長いプロンプト、フィラーのクリーンアップ、そしてGeminiだけでなくすべてのアプリで同じ音声入力習慣を使うことです。プロンプトが実際の文章に近くなればなるほど――文脈、指示、質問――そして切り替えるツールが多いほど、その差は大きくなります。

問題を解決する最小のツールを選んでください。一つの音声質問なら、Geminiにすでにあるマイクです。GeminiとChatGPTと書きかけのメールをまたいで音声入力する長いプロンプトには、タイプしなくて済んだ2段落目あたりでシステム全体のショートカットがやり過ぎに感じなくなります。

Whisperの料金

ローカル音声入力パイプライン――Ollama経由の文字起こしとAIクリーンアップ――は、サインインユーザーなら無料で、サインアップ時にカードは不要です。WhisperでGeminiにプロンプトを音声入力するのは無料です。Whisper Proはクラウド機能（OpenAI文字起こし、クラウドAI強化、音声ウェブ検索）を追加し、別途トライアルが付きます。正確な料金は料金ページに記載されています。ここには書きません。価格は変わるものであり、ブログ記事は最新情報を保つのに適した場所ではないからです。

Geminiはすでにあなたの声を聞けます。素早い質問ならそれで話は終わりです――そこにあるマイクを使ってください。プロンプトをボックスに音声入力する理由は、マイクにできない部分です。実行前に読めること、そして話しかけるすべてのアプリで同じ方法でできること。二つのツール、二つの用途。ほとんどの場合、小さい方で十分です。