ディクテーションから AIエージェントへ

2010年代の大半、音声ソフトウェアといえばディクテーションのことでした。話すと、コンピューターが入力する。それだけです。業界標準はDragon NaturallySpeakingで、20年以上にわたりこの市場を席巻しました。医師、弁護士、ライターが反復性ストレス障害を避け、指より速く入力するために使っていました。

当時としては画期的な技術でしたが、大きな限界がありました。精度は理想的な条件で85〜90%、背景ノイズ・アクセント・専門用語があると精度が急落しました。使い始める前に30〜60分間、文章を読み上げてソフトウェアを「トレーニング」する必要がありました。

ソフト自体も高価でした。Dragon Professionalはライセンスあたり$300〜500、医療版は$1,000を超えました。Windows限定、大量のCPUを消費し、精度維持のため頻繁な更新が必要でした。

すべてが変わったのは2022年9月、OpenAIが68万時間の多言語音声で学習させたオープンソースの音声認識モデル「Whisper」を公開した時です。精度の基準は一晩で85〜90%から95〜98%へと跳ね上がりました。しかも無料です。

Whisperは音声トレーニングが不要でした。90以上の言語に初期状態で対応。アクセント・背景ノイズ・専門用語を従来のいかなるツールよりも上手く処理しました。モデルは民生用ハードウェアでもローカル動作し、高価なクラウドAPIが不要になりました。

Otter.ai、Rev、Descriptといったクラウド文字起こしサービスも、同様のTransformerベースのモデルにより劇的に性能向上しました。会議の文字起こしは一般化。正確な文字起こしの価格はライセンスあたり数百ドルから、1分あたり数セントへと下落しました。

しかし根本的には、パラダイムは変わっていませんでした。音声ソフトは依然として「タイピングの代替」でした。話した言葉をコンピューターが書き留める。速く、正確にはなりましたが、それでも文字起こしに過ぎません。コンピューターは、あなたが何を言っているのか、何を達成したいのかを理解していませんでした。

真の革命は、音声インターフェースが大規模言語モデルと出会った時に始まりました。AIは単に言ったことを書き留めるのではなく、意図を理解し行動します。これがディクテーションからAIエージェントへの転換です。

Whisper by Remskillのような最新の音声AIエージェントは、音声認識とGPTレベルの知能を組み合わせています。テキストを読み上げるだけでなく、命令を下します。「再生可能エネルギーの最新トレンドを調べて、要約段落を書いて」。AIがウェブを検索し、出典を読み、段落を書いてくれます。すべて音声で、アプリを離れることなく。

カスタムコマンドはさらに踏み込みます。音声で起動するワークフローを作成できます。「このメールの文法を直して」「スペイン語に翻訳して」「このコードを説明して」。各コマンドが、選択テキストや文脈に対して特定のAI処理を実行します。1つのホットキーで何でも対応してくれる、まるで専属秘書のような存在です。

根本的な変化はこうです。音声ソフトは、もはや「速く入力する」ためのものではありません。これまでできなかったことを可能にするものになりました。

ディクテーション時代の価値はスピードでした。話すのはタイピングの3〜4倍速い。これは有用でしたが限定的でした。何を書くか考え、構成を自分でまとめ、必要な情報を自分で検索する必要がありました。

AIエージェント時代の価値はケイパビリティです。トピックを調査し、初稿を書き、翻訳し、主張を事実確認し、公開用にフォーマットする — すべて音声で、アプリを切り替えることなく、手作業のほんの一部の時間で完了します。

これは漸進的な改善ではありません。カテゴリー自体の変化です。旧来の問いは「音声でどれだけ速く入力できるか?」でした。新しい問いは「音声で何を達成できるか?」です。そして答えは、ますます「ほぼ何でも」に近づいています。

AIエージェントの時代は始まったばかりです。現在の研究と製品ロードマップに基づき、今後1〜2年で登場するものをご紹介します。