音声テキスト変換アプリ： どれを選ぶか

音声テキスト変換アプリを一言で：話せば、入力される

マーケティングを取り払った仕組みの全体は、こうです。キーを押す。話す。アプリが声を録音し、認識モデルに通すと、言葉がテキストとして現れる。私たちのアプリ、Whisper by Remskillでは、初期設定はWindowsでCtrl+Space、macOSではcommand+optionの長押しです。押して、話して、離せば、文字起こしがそれまで使っていたアプリのカーソル位置に貼り付けられます。

アプリを比較するとき、ほとんどの人が見落とすのが、その最後の部分です。音声テキスト変換アプリは、テキストを置ける場所があってこそ役に立ちます。Apple DictationはMacとiOSのアプリに入力します。Windowsのvoice typingはWindowsロゴキー + Hで起動し、PC上のあらゆるテキスト欄で使えます。Google DocsのVoice Typingは、Chrome内のGoogle Docsの中でしか動きません。どれも文字起こしはしますが、どこでも使えるわけではありません。だから精度のスコアを比べる前に、テキストをどこに表示させたいのかを問いましょう。

音声テキスト変換アプリの仕組み（ASRと整形処理）

内部では、どの音声テキスト変換アプリも2つの別々の処理を行っていて、これを混同するところでレビューは間違えます。

ひとつめは文字起こしです。自動音声認識が音声の波形を言葉の連なりに変換します。これが難しい部分で、モデルの品質が表れるところです。私たちがエンジンの選択肢のひとつとして搭載しているNVIDIAのParakeetモデルは、Hugging Face Open ASR Leaderboardで平均6.34%の単語誤り率を記録しています。Dragon Professionalは「初回利用から最大99%の認識精度」をうたっています。こうした数字は本物ですが、静かな部屋でのクリーンな音声を前提にしています。背景の雑音や安いノートパソコンのマイクは、どんなモデルの入れ替えよりも、これらの数字を大きく動かします。

ふたつめは整形処理です。「あのー、彼女にファイル送って、ええと最初のじゃなくて2番目のバージョンのやつ」を、最初が大文字で句点の付いた文章に変えるのです。優れたアプリは、ここで追加のAIステップを動かし、句読点、大文字小文字、ときおりの「あのー」を直します。この整形処理は、口述コマンドが解釈される場所であり、つなぎ言葉が削られる場所であり、だらだら続く言葉の壁が人に送れるものに変わる場所でもあります。文字起こしは言葉を手に入れさせてくれます。整形処理は、打ち直さなくて済むテキストを手に入れさせてくれます。

良いアプリと「ただの入力シミュレーター」を分けるもの

ほとんどの音声テキスト変換アプリは、基本的なハードルはクリアします。言葉はだいたい正しく拾えます。使い続けるツールと、1週間でアンインストールするツールを分けるのは、機能一覧表にはめったに載らないいくつかの要素です。

まずレイテンシ。文章を言い終えてからテキストが現れるまでに長い間があると、思考の流れを失い、話す代わりに読み返し始めてしまいます。次に、あなたの声に対する精度 — デモ用の声ではなく、あなたの声、あなたの訛りで、あなたの部屋での精度です。3つめは、英語以外で作業するなら言語対応の広さ。そして到達範囲 — あなたが入り浸っているあの1つのアプリに入力できるのか、それともブラウザのタブにしか入力できないのか。

そして、誰も宣伝しないつまらない要素があります。あなたの音声がどこへ行くのか、です。OS標準ツールやローカルアプリは録音を自分のマシンに留めます。クラウドアプリはそれをアップロードします。買い物リストなら、誰も気にしません。でも法律文書の草案や患者の記録となれば、それが決め手のすべてです。この点には後で触れます。

Whisper by Remskillはどんなものか

私たちのアプリの話を出し続けているので、比較が公平になるよう、それが何なのかをここで説明します。Whisper by Remskillはシステム全体型のデスクトップアプリです — ブラウザ拡張機能でも、Wordのアドインでも、会議用ボットでもありません。ホットキーを押し続けて、話して、離せば、文字起こしがどんなアプリやテキスト欄でもカーソルの位置に届きます。

文字起こしには3つのパスからひとつを選びます。Local Whisperは、Base（約140 MB）から多言語対応のLarge v3（約3 GB）まで8つのモデルサイズを動かし、多言語版では99言語に対応し、英語への翻訳もできます。Local Parakeet（約600 MB）はCPU上でWhisperより5〜10倍速く、英語に加えて24のヨーロッパ言語をカバーします。Cloudモードは、最新モデルとリアルタイムのWeb回答を求める人向けの、自分のキーを持ち込むOpenAI方式です。すべてのローカル文字起こしは純粋なRustで動作し、完全に端末上で処理され、オフラインで機能します。アプリが代わりに選ぶことはしません。3つのパスを提示し、あなたが速度、言語、精度をもとに選ぶのです。ディクテーションツールの比較の全体像については、私たちの文字起こしソフトウェアのガイドが、より多くのツールにわたって同じトレードオフを解説しています。

Deciding between the two local engines is the most common question we get, and our Whisper vs Parakeet explainer breaks down speed, language coverage, and accuracy side by side.

クラウド対ローカル：あなたの声がどこへ行くか

ここは、私が強い意見を持っているところです。クラウド専用の音声テキスト変換は、手遅れになるまでほとんどの人が考えないプライバシーの問題です。上司の給与スプレッドシート、子どもの学校宛てのメール、契約書の草案 — 声で入力したかっただけで、そのどれもがベンダーのログに残っていいはずがありません。

以前、私が一緒に働いていた会社のあるチームが、たった1四半期でクラウドAIの請求額を5桁ドルまで積み上げるのを目にしました。「スマートな再試行」のループが、同じ朝会の録音を4回も繰り返し文字起こしし続けたからです。四半期レビューでCFOがダッシュボードを開くと、部屋は静まり返りました。コストが見出しでした。でももっと静かな問題は、それが分かるために、録音されたすべての会議が第三者のAPIに送られていたことでした。

ローカルファーストはその両方を解決します。私たちのローカルパイプラインは、あなたの音声をどこにも送りません。Cloudモードは任意で選ぶ例外であり、しかもそれは私たちのではなく、あなた自身のOpenAIキーです。最も近い直接の競合であるWispr Flowは、クラウド専用です。設計上、音声は端末から出ていきます。どちらの方式も間違いではありません。でも、あなたの仕事がメールで送るのをためらうようなものに少しでも触れるなら、自分のマシンの上で動かしましょう。

生の言葉を入れて、整ったテキストを出す：AI整形ステップ

整形処理は、それ自体に触れる価値があります。なぜなら、それこそが文字起こしと使えるテキストの違いだからです。認識は言葉を順番どおりに与えてくれます。でも、必ずしも文章を与えてくれるわけではありません。

ローカルモードでは、私たちのアプリは任意の整形処理をあなたのマシン上のOllamaを通して動かします — 句読点、大文字小文字、口頭のつなぎ言葉の削除、そのすべてをインターネットへの往復なしで行います。Cloudモードでは、同じ仕事があなたのキー経由でOpenAIのモデルに渡されます。要点は、どのモデルがやるかではありません。要点は、このステップを飛ばす音声テキスト変換アプリは、コンマのない段落と、3行ごとに紛れ込む「ええと」をあなたに渡してきて、節約したはずの時間を整形に費やすことになる、ということです。優れたアプリは、テキストがカーソルに届く前にその仕事を済ませます。基本的な標準ツールはたいていそれをしません。さっとメモを取るには問題ありませんが、それより長いものには苛立たしいでしょう。

知っておく価値のある、ほかの音声テキスト変換アプリ

あらゆる用途で勝つ単一のアプリはありません。これが正直な勢力図と、それぞれが誰向けかです。

1990年代の終わりごろ、私の親戚が64 MBのRAMを積んだWindows 98のデスクトップでDragon NaturallySpeakingを動かしていました。セットアップでは、それを「訓練」するために45分間も単語リストを読まされ、そのあとでようやくディクテーションが、せいぜい70%の精度で、1文につき4秒の遅延を伴って動きました。年賀状の1段落を口述するのに15分かかりました。ヘッドセットは部屋の向こうへ投げつけられ、それは生き延びましたが、実験のほうは生き延びませんでした。25年後、7歳の子どもが何の訓練もせずに、90秒で完全なメールを口述できます。もし音声テキスト変換アプリが、動く前にまだ「訓練」を求めてくるなら、それは1999年に生きているのです。

専用アプリを丸ごとスキップすべきとき

ここは、私があなたを別の場所へ送り出すところです（そう、アプリを売っている張本人が、です）。短いメモ — テキスト、カレンダーの予定、さっとした返信 — だけを口述していて、しかもMacかiPhoneを使っているなら、Apple Dictationを使えばいいのです。無料で、内蔵されていて、100語に満たない量なら仕事をこなします。最近のmacOSには厳しいタイムアウトもありません。PCなら、Windowsロゴキー + Hが同じ仕事を無料でこなします。

And if you land on the install-something side, picking a voice typing app for each device is its own short guide.

そして、もしあなたがやることといえば会議を録音して、あとから検索できる文字起こしが欲しいだけなら、Otterのような専用の会議文字起こしツールが正しいカテゴリーです。ZoomやTeamsと連携し、まさにその仕事のために作られています。システム全体型のディクテーションアプリが元を取り始めるのは、より長いテキストを、多くのアプリにまたがって書いていて、しかも自分の音声がどこへ行くかを気にする、あたりのポイントからです。

無料対有料：0ドルで手に入るもの

無料の選択肢は本物で、機能を削った体験版ではありません。Apple Dictation、Windows voice typing、Google Docs Voice Typingは無料で、日常のディクテーションをこなします。私たちのアプリでは、ローカルパイプライン全体 — Whisper、Parakeet、端末上のAI整形、履歴、プリセット — が、サインインしたすべてのユーザーに無料で、開始にカードは不要です。

有料ツールは、その上に乗せる形でお金を得ます。クラウド機能、より多くの言語、チーム管理などです。だから本当の問いは、無料か有料か、ではありません。手渡された無料プランが、あなたの作業するすべてのアプリに届き、音声を自分のマシンに留めてくれるかどうか、です。もしそうなら、そこで止めましょう。なぜローカルパイプライン全体をタダで配るのかと妻に聞かれたとき、私は5分かけて答えましたが、短く言えば、まずは無料で始めて、壁にぶつかったときにだけ払ってほしい、ということです。クラウドプランの料金は、私たちの料金ページにあります。

これらすべてに対する下の娘の判定は、どんなレビューよりもシンプルでした。彼女はキーを一度押し、抜けた歯のことを一文しゃべり、それが現れるのを見て、一言も発さずにお絵描きに戻っていきました。精度のグラフも、機能の一覧表もなく、ただ望んだ場所にテキストがあるだけ。それこそが、いつだって唯一意味を持つテストでした。必要な場所に言葉が現れたか、そしてそのことについて考えずに済んだか。答えがイエスとノーなら、あなたは正しいアプリを選んだのです。