Speechmaticsの代替： APIかアプリか？

Speechmaticsとは：開発者向けASRエンジン

SpeechmaticsはAPIを通じて音声AIを実現するプラットフォームとして自社を説明しています。APIで自分のプロダクトに組み込み、サブ秒レイテンシのリアルタイム文字起こしとバッチ処理を利用できます。クラウドAPI、デバイス上、またはオンプレミスで展開でき、自社公称で文字起こし55言語以上、AI翻訳69言語ペアに対応しています。

購入者は、文字起こしをより大きなシステムに組み込むチームです。コールセンター分析、ライブキャプション、医療・法律向け文字起こしパイプライン、音声エージェントなど。これは、メールを話して返信しようとしている個人ユーザーとは別の世界です。

料金体系を見ても同じことが分かります。Speechmaticsは音声時間ごとの従量課金です。無料枠は月2,400分（40時間）の音声文字起こし、同時リアルタイムセッション2つ、カード不要で始められます。Proは音声1時間あたり$0.24から、月6,000時間まで。Enterpriseはオンプレミス展開とカスタムモデルつきのカスタム料金です。これはメーターです。プロダクトで何千時間もの音声を処理するなら、メーターはまさに求めているものです。買い物リストを音声入力するなら、まったく求めていないものです。

二つの違い：組み込むエンジンと使うアプリ

境界線を一度、はっきり引きます。

Speechmaticsのようなエンジンは、開発者が統合するものです。APIで音声を送るとテキストが返ってきます。ボタン、UI、ストレージ、課金はすべて自分で構築します。これは素材です。

完成したアプリは、インストールして使うものです。Whisper by Remskillは後者です。音声文字起こしAPI、SDK、エンジンではありません。自分のプロダクトに組み込んだり、コードから呼び出したり、プログラムで音声を流し込んだりすることはできません。エンドポイントは存在しません。システム全体のホットキーで動くデスクトップアプリです。

ひとつの名前が混乱を引き起こしているので、先に整理します。「OpenAI Whisper」——自分でホストしてAPIとして呼び出せるオープンソースの音声モデル——はSpeechmatics代替リストに必ず登場します。これは開発者向けの選択肢です。私が作るデスクトップアプリ、Whisper by Remskillとは別物です。同じ言葉で、異なるカテゴリ。自前でホストするモデルが欲しければ、OpenAIのオープンソースWhisperをどうぞ。完成した音声入力ツールが欲しければ、読み続けてください。

APIが必要なら、これらを検討してください

エンジンを探しているなら、午後を無駄にさせるより適切なものに案内します。開発者がSpeechmaticsの代替として実際に使える、本物の音声文字起こしAPIはこちらです：

• AssemblyAI — バッチとリアルタイム対応の音声文字起こしAPI。プロダクトチーム向け。
• Deepgram — 低レイテンシのストリーミングAPI。音声エージェントに人気。
• Google Cloud Speech-to-Text — ハイパースケーラーの選択肢。幅広い言語に対応。
• AWS Transcribe — AWSの請求書の中にある同様のサービス。
• OpenAI's open-source Whisper — モデルを自前でホストして実行する方法。
• Gladia — 同じ領域にある新しめの文字起こしAPI。

これらはすべて、自分のコードに組み込むAPIとエンジンです。それぞれの精度パーセントや料金を作り上げるつもりはありません（代替リストが間違いを犯す原因は、前の四半期に変わった料金ページの数字を自信満々に引用することです）。大切なのはカテゴリです。メーターとエンドポイントが必要なら、これらのどれかが答えです。Whisper by Remskillは違います。

Whisperがすること：ホットキー、話す、貼り付け

では、もう一方のグループ——コードを書かず、ただタイプの代わりに話したい人たち——の話をします。

Whisper by Remskillは音声入力に特化しています。システム全体のホットキーを押して話すと、既に開いているアプリのカーソル位置に文字起こしが入力されます。アップロード不要、プロジェクトライブラリ不要、APIの学習不要。デフォルトのホットキーはWindowsではCtrl+Space、macOSではCommand+Option（押し続けて話すショートカット）です。変更もできます。

カーソル位置に入力するため、メールクライアント、ドキュメント、チャット、コードコメントなど、どこでも使えます。各アプリに個別の統合を構築する必要はありません。これがこのツールの核心であり、エンジンとは真逆です。エンジンはコードが呼び出すのを待ちます。このアプリはキーを押すのを待ちます。妻に初めてデモした時、買い物リストをメッセージに直接音声入力しました。彼女の返信は「いいね、でも牛乳忘れてるよ」。アプリは完璧に動きました。私の記憶は別の話ですが。

多言語モデルはライブ音声で90言語以上に対応しており、英語以外のWhisperモデルは話した内容をリアルタイムで英語に翻訳できます。これは「話し言葉→英語」の変換であり、Speechmaticsが提供する69言語ペアのテキスト翻訳サービスとは別物です。用途が違い、範囲も小さく、その点は正直に伝えます。

ローカルとオフライン：音声時間課金なし、従量課金なし

ローカルモードでは、Whisperはすべてあなたのマシン上で文字起こしします。音声がデバイスの外に出ることはなく、文字起こしのためのネットワーク通信も、音声時間ごとの課金もありません。ローカルパイプライン全体——モデル、デバイス上のAI補正、履歴、カスタム単語、ホットキー——はサインインしたすべてのユーザーに無料で提供されます。サインアップ時にカードは不要です。

正直に言います。Speechmaticsにも無料枠があります——月40時間という太っ腹な量です——そして開発者向けのオンプレミス・デバイス展開も提供しています。つまり「無料」と「オフライン」はWhisperだけが持つ魔法の言葉ではありません。本当の違いは形です。Speechmaticsは開発者にメーター付きで統合するエンジンを提供します。Whisperは個人に統合不要でメーターなしの完成したアプリを提供します。

この記事で唯一強く主張したいことがあります。音声時間ごとの課金は、ただ音声入力したいだけの人には合っていません。無料40時間を超えると$0.24／時間というメーターは、プロダクトで音声を処理して使用データが必要な場合にはまったく理にかなっています。しかし「プロダクト」が机に向かってメールを返信している自分自身であれば、何の意味もありません。話している間に時計が動いていることを気にしなければならない理由はありません。メーターのない定額アプリ料金の方が、そういう生活に合っています。音声をクラウドに送りたくないという気持ちがあるなら、それはプライベートなオンデバイス音声認識への本能と同じです。

Speechmaticsが正しい選択肢の場合

もし私がSpeechmaticsの上にプロダクトを構築しているなら、乗り換えません。自分のアプリケーションに文字起こしをスケールで組み込む必要があるなら——コールセンター分析ダッシュボード、ライブキャプション、医療・法律の文字起こしパイプライン、音声エージェント——SpeechmaticsかAPIの代替が正解であり、Whisperは違います。多数の同時セッションに対するオンプレミスのデータ主権や、69翻訳ペアが必要な場合も同様です。Whisperにはそのいずれへの答えもありません。シングルユーザー向けデスクトップ音声入力アプリに過ぎません。カテゴリを間違えると、返金ではなく再構築のコストがかかります。

音声入力だけに使うコスト

Whisperのローカル音声入力層は、アカウントを持つすべての人に無料で提供されます。サインアップ時に支払い方法は不要です。使用時間のクロックもありません——SpeechmaticsがProを$0.24／時間で課金するような音声時間課金はありません。クラウド文字起こしとウェブ検索のためにご自身のOpenAIキーを使うオプションのCloud機能は、分単位のメーターではなく定額のアプリ料金で提供されます。現在の料金は料金ページでご確認ください。覚えておく価値があるのは形だけです——エンジンのメーターではなく、アプリの定額料金です。