本を音声入力で書く 方法

著者がタイピングではなく音声入力を選ぶ理由

数字の話は簡単です。ほとんどの人は1分あたり約40語タイプし、約145語話します。これは約3倍半の差であり、9万語の原稿では、数ヶ月かかる下書きと数週間で終わる下書きの違いになります。しかし著者がそうする本当の理由は、速さだけではありません。

より大きな理由は、物語はそもそも頭の中で「話し言葉」として生きているということです。シーンを段落単位で考えるのではなく、誰かが語るように考える。音声入力を使えば、台所のテーブルで友人に章を説明するように粗削りな下書きを語り、形を整えるのは後でできる。キーボードは思考とページの間に一層の壁を作る。声はその壁を、最も混乱した最初のパスから取り除いてくれる——多くの本がそのパスで止まるのだから。

身体的な理由もあります。でも、手首が12章あたりで文句を言い始めるまで誰も口にしない理由です。本を一冊書くのは膨大なキーストロークです。構造を声で話し、細かい編集のためにキーボードを残しておくことで、1日の負担を分散できる。これは快適さと生産性の話であり、医学的な主張ではありません——でも何時間ものタイピングが足かせになっているなら、時々手を休めるために音声入力を使うのは合理的な手です。

最も手軽な方法：あなたのコンピューターはすでに音声入力できる

何かをインストールする前に知っておいてほしいのは、オペレーティングシステムがすでにこれを無料でできるということ、そして短いセッションなら十分だということです。Windows では原稿にカーソルを置き、Windows キー + H を押します。音声入力バーが開き、話すと言葉がカーソルのある場所に入力されます——Word でも、Scrivener でも、ブラウザの Google Doc でも。話すにつれて句読点も自動で付きます。

Mac では、システム設定のキーボードからディクテーションをオンにし、設定したショートカットで起動します。タイピングできる場所ならどこでも使えます。Apple Silicon では音声モデルのダウンロード後にデバイス上で処理できます。「コンマ」「ピリオド」「改行」と言えば、話しながら句読点が付きます。

本全体に使うときの問題は2つあります。Windows の音声入力は Microsoft のサーバーを経由してインターネット接続が必要なため、オフラインオプションではありません——どこにも送りたくない原稿を書いているときには重要な問題です。また、どちらの組み込み機能も短いバースト向けにチューニングされています。テキスト、メール、段落程度。タイムアウトしやすく、珍しいキャラクター名を聞き間違え、作った語彙を教える方法もありません。8万語の下書きにわたると、そういった小さな摩擦が積み重なります。それが専用ツールの出番です。

Whisper を2分でセットアップする（Windows または Mac）

システム全体で使えるディクテーションツールは、組み込み機能の2つの限界を一度に解決します。オフラインで動き、開いているどのライティングアプリでも同じように機能します。必要なのは Apple Silicon の Mac か Windows 10 以降の PC、使えるマイク、そして Word、Scrivener、Google Docs など下書きに使っているアプリで開いた原稿です。ローカルパイプライン全体はサインイン済みのアカウントなら無料で、サインアップ時に支払い方法は不要です。手順はこうなります。

時間がかかるのはモデルのダウンロードであり、セットアップではありません。それ以外は上の4ステップだけです。動き始めると、章の下書きがタイピング作業から会話作業に変わります——それがすべてのポイントです。

以前にWindows で音声入力をセットアップしたことや、Mac で設定したことがあれば、同じ手の動きを原稿に向けるだけです。

まずアウトラインを作り、シーンごとに口述する

音声入力は、口を開く前にシーンがどこへ向かうかを知っている書き手を優遇します。実際に機能するワークフローは地味で繰り返しが効くものです。まずアウトラインを作り、本を塊ごとに話して進め、後でまとめて整える。アウトラインを飛ばすと、下書きを書きながら自分で袋小路に追い込むことになります。

各セッションはシーンの箇条書き数項目から始めましょう——誰が登場するか、何が変わるか、どこで終わるか。これは音声入力する必要はない。タイプして、足場として使います。それからカーソルを次の空白行に置き、ホットキーを押したまま、声に出して語るようにシーンを話します。話している間は小さなカプセルが表示されて録音中だとわかるようになっており、Whisper はリリース後も少し録音を続けるので最後の言葉が切れません。

他の何よりも大切なルールが一つあります。話しながら編集しないこと。コンマを直したり一文を言い直したりするために止まった瞬間、シーンから抜け出して編集者モードに入ってしまう——その2つはギアを共有していません。シーン、セクション、ひとつの展開単位、まるごと話し切ってから初めて画面を見る。10分か15分の作業単位で口述し、キャラクターや場所の名前は毎回同じ言い方で統一して文字起こしに一貫性を持たせ、文のつながりや句読点の抜けはそのままにしておく。仕上げのパスは、まさに下書きのパスを速くて荒削りにするために存在しています。話す速さで言葉を出し切り、後から形を整える——声でもっと速く入力するのと同じように、どんな場面でも。

ローカルかクラウドか：原稿にはどちらのモードか

本の下書きには、まずローカルモードを試してください。原稿は、ほとんどの著者が本当に守りたいと思っている唯一のドキュメントです——未完成で、未発表で、時には契約の下にある。それを自分のディスクに保存しながら、言葉をそこに入れるために声をクラウド経由でルーティングするのは妙な選択です。Mac が Apple Silicon または最近数年以内の PC なら、ローカルは下書きセッション全体を問題なく処理でき、クラウドはデフォルトではなく逃げ道になります。

3つの方式の違いを説明します。アプリが選択を求めるので、正しく選んでほしいからです。

• Local Parakeet — NVIDIA の TDT エンジン。約600 MB で、CPU 上で Whisper より5〜10倍速い最速のローカルオプションです。英語に加え24の欧州言語、合計25言語に対応。英語への翻訳とカスタム語彙は非対応。英語または別の欧州言語で書いており、キャラクター名が一般的なものであれば、これが手軽で完全オフラインな選択です。
• Local Whisper — 同じマシンでは Parakeet より遅いが、多言語ビルドは99言語に対応し英語への翻訳もでき、カスタム語彙もサポートしています。これは、本の中に造語の名前や場所、専門用語がたくさんあるときに教えて正しく書かせるために便利です。英語専用ビルドは英語のみで99言語には対応しません。デフォルトの英語モデルは約480 MB です。
• Cloud（OpenAI、BYOK） — 最高の精度とウェブアクセスを提供します。OpenAI に直接課金される自分の OpenAI キーを使用します。デフォルトでは gpt-4o-mini-transcribe で文字起こしが行われます。インターネットが必要で、マシンの外に出る唯一の方式です。Cloud 機能は Whisper Pro の一部です。

つまらない真実を言えば、初稿を埋める種類の文章であれば、ローカルで十分です。どちらのローカルエンジンもサーバーに何も送らずにマシン上で完全に動くので、原稿に求めるものとしてはまさにそれです。本にファンタジーの名前、架空の場所、40回使う造語の技術用語など造語の語彙が多い場合は、Local Whisper のカスタム語彙が決め手になります。同じ名前を5通りに誤変換するのを防いでくれるからです。クラウドが真価を発揮するのは、難しい録音セッションでトップレベルの精度が欲しいときです。日々の下書きにはローカルから始めて、物足りないと感じたときだけクラウドに手を伸ばしましょう。

言葉が揃ったら仕上げのパスを走らせる

生の音声入力はつながった文として出てきます。「彼女は部屋を横切った彼を見なかった窓をただ開けてえーと通りの騒音が沈黙を満たすのを待った」——それが音声エンジンが返す句読点なしの壁です。それでいい——それが話す速さと引き換えにした取引です。仕上げは別のパスで行い、そこで下書きが散文に戻ります。

Windows の音声入力は話しながら句読点を付けてくれ、macOS のディクテーションは「コンマ」「ピリオド」と言えば基本的なものを処理します。より本格的な仕上げ——「えーと」の除去、文のつながりの修正、話し言葉の段落を実際に残せる文章に変換——には、Whisper が AI パスを実行できます。アクティベーションフレーズ「Hey whisper」と言えば、テキストは着地前に強化されます。ローカルモードでは Ollama 経由で動き、クラウドモードではデフォルトで gpt-5-mini が使われます。

一つ正直な限界を伝えます——著者はしばしば逆のことを売られているので。AI パスは句読点とフィラーを整えます。あなたの文章を書き直したり、継続性を修正したり、シーンが機能しているかを判断したりしません。主人公の目の色が章をまたいで変わったことも見つけません——それはあなたの仕事であり、本をあなたのものにする仕事です。仕上げのパスは文字起こしを整えるタイピスト、共著者ではないと考えてください。声の作業は速くて荒削りな下書きを与えてくれる。実際の書き方——選択、構成、刺さるセリフ——はあなたのものとして残ります。

この「話してから整える」リズムはフィクションを超えて続きます——長い下書きの習慣は、小説を書いていても論文の章を書いているときも同じです。ワークフローは変わらない。アウトラインを作り、止まらずにセクションを話し切り、それから独立したパスで整える。

組み込み機能だけで十分なとき

マシンにすでに入っている無料ツールが正解なこともあり、そうでないふりをするのは不誠実です。短いバーストでしか口述しないなら——ふと思いついたセリフの一行、アウトラインへのメモ、会議の合間の段落——オペレーティングシステムが無料でそれをカバーします。Windows では Windows キー + H、Mac ではディクテーションショートカット。一文を入力するためにアプリをインストールする必要はありません。

本の音声入力のように見えて実は違う作業もあります。それを名指しして、間違ったツールを選ばないようにする価値があります。録音済みの音声ファイルを文字起こしすること——録ったインタビュー、散歩中に自分の考えをつぶやいたボイスメモ、著者イベントの録音——は、リアルタイムで口述することとは別の作業です。ディクテーションは今マイクに向かって話している言葉をタイプします。事後的に複数話者の録音を処理するようには作られていません。そのためには音声ファイル文字起こし専用のサービスを使ってください。ライブのディクテーションと録音済み音声の文字起こしは別の仕事であり、一方が得意なツールはたいてい他方では並程度です。

組み込み機能が不満を感じさせ始めたとき——バーストではなくチャプター全体、未発表原稿のオフラインプライバシー、一貫して正しく書いてほしい造語、または Scrivener、Word、メールで同じように動く1つのホットキーを求めるとき——専用のシステム全体ツールに手を伸ばしてください。それ以下なら無料のものを使えばいい。買い物リストを音声入力するためにソフトウェアをインストールするよう言うつもりはありません。

プロジェクトがフィクションではなく学術的なものなら、同じチャプターごとのロジックが論文の音声入力にも当てはまります。そこでは造語の語彙が専門用語になり、プライバシーの議論はさらに切実になります。

本を書いてくれるアプリはない。これからも出てこない。シーンが出てこない日には、それはある種の恵みかもしれません——責めるソフトウェアがなく、ただ仕事があるだけ。音声入力が変えるのは、雑然とした最初のパスの速さです。アウトラインを作り、話し切り、後から整える。このガイドの大半は画面に向かって話しながら下書きし、全部出切ってから初めて文字を見ました。話しながら完璧にしようとした最初の3段落は、今でも書いた中で最悪の3段落です。