Discordで音声をテキストに 変換する方法

DiscordにはVoice-to-Text機能が内蔵されているの?

いいえ、あなたが求めている種類のものはありません。Discordにはメッセージ欄で話した言葉をテキストに変換する機能はありません。一番それっぽい名前なのはText-to-Speechです。/ttsに続けてメッセージを入力するか設定で有効にすると、Discordがそのメッセージをチャンネルにいるみんなに読み上げます。それはテキストが音声になるもの。あなたが欲しいのは音声がテキストになるもの。同じ言葉で、矢印が逆です。

これは常に混乱を引き起こしていますが、ユーザーのせいではありません。「Text-to-speech」と「speech-to-text」は一対の単語を入れ替えただけで、Discordが提供しているのはそのうちの一方だけです。私もサブメニューに隠れていないかと設定を長々とクリックし続けた末に、そこにはないと諦めました。本当にないのです。

音声をDiscordのテキストメッセージにしたいなら、それを実現するツールはDiscordの外にあります。OS、または専用のディクテーションアプリです。どちらも以下にあります。音声チャンネルで話している他の人をトランスクリプトするのは第三の選択肢であり、また別のツールになります。3つすべてに触れます。

チャンネルで打ち続けるか、ただ話すか

Discordでディクテーションを使う理由はシンプルです。話す速度は1分あたり約145語、タイピングは多くの人で40語前後です。それは約3.5倍の速さであり、手が自由になります。マウスやコントローラーを使っているときはなおさらです。サーバーで過ごす忙しい夜、その差はじわじわと積み上がります。

正直な反論もあります。Discordのメッセージの多くは3語程度です。「gg.」「すぐ行く。」「ちょっと待って。」そういったものにはディクテーションは無意味で、モード切り替えの時間が無駄になるだけです。音声入力が真価を発揮するのは長いもの——レイドの作戦、devサーバーへのバグレポート、スマホで打つのが面倒だから後回しにしていた段落。それが閾値です。短いやりとりはタイプし続ける。1〜2文を超えたら、話す。

最速の方法：システム全体のホットキー

ここで専用アプリが計算を変えます。Whisper by RemskillはDiscordボットでも、サーバー統合でも、ブラウザ拡張機能でもありません。キーボードのように動作するデスクトップアプリです。ホットキーを押して話すと、どのアプリのカーソル位置にもトランスクリプトが貼り付けられます。Discordのチャット欄も例外ではありません。Discordのデスクトップアプリでも、ブラウザで開いたDiscordでも同じように動作します。コンピューターから見れば、あなたはただタイピングしているのと同じだからです。

セットアップは短いです：

それがループ全体です。トランスクリプトが入力欄に表示されるので、読んでEnterキーを押します。

話すと、メッセージがDiscordに現れる

動き出すと、体験はいい意味でまったく普通です。チャンネルにカーソルを置いて、キーを押さえ、話して、離す。1秒ほどでテキストがDiscordのメッセージ欄に、まるで自分で打ったかのように現れます。コピー＆ペーストなし、別ウィンドウからテキストを引っ張り出す手間なし、友人が聞かなければならない音声クリップなし。

ローカルトランスクリプションはあなたのマシン上で動作する（純Rust、Pythonサイドカーなし、サーバーも介在しない）ため、オフラインで動作します。Discordに関しては、これは聞こえる以上に重要です。すでに音声チャンネルに参加していることが多く、これ以上回線を圧迫したくない状況もあります。ディクテーションしている音声がラップトップの外に出ることはありません。Windows内蔵の音声入力はそもそも動くためにインターネット接続が必要ですが、Whisperのローカルモードは不要です。

Whisperアプリの全体像

ホットキーが最もよく使う部分ですが、その裏に設定画面があります。トランスクリプションエンジンを選べます。Whisperモデルは多言語バリアントが99言語に対応し、英語専用の.enビルドはその1言語のみ。NVIDIAのParakeetは約600MBで、CPU上でWhisperより5〜10倍高速、英語と24のヨーロッパ言語をカバーします。ホットキーを設定し、履歴を管理し、プリセットを保存できます。Discordに1つメッセージをディクテーションするだけなら、これらは何も必要ありません。調整したいときのためにあるものです。

ディクテーションしたメッセージをAIで整える

話し言葉はまとまりがありません。「えーと」と言ったり、文章を途中でやり直したり、「まぁわかるよね」という感じのノイズで終わったりします。Whisperには任意のAI強化ステップがあり、貼り付け前にフィラーをトリミングして言い回しを整えます。「えー、そう、あの、パッチがライブになって、たぶん大丈夫、大丈夫だと思う」が「パッチがライブになりました。たぶん大丈夫です。」になります。Discordで使う価値があるかはチャンネル次第。devサーバーなら恐らく有用、ミームチャンネルなら恐らく不要。

その整形はOllamaを通じてローカルで、無料で、自分のマシン上で動作します。Proユーザーはクラウド経由にすることもできますが、フィラー除去の恩恵はProなしでも利用可能で、無料のローカルパイプラインに含まれています。オフにして生のトランスクリプトを貼り付けるだけでも問題ありません。Discordではそれが正解なことも多いです。

音声チャンネルのトランスクリプションは別の話

ここは正直なガイドが省略してしまう部分なので、率直に言います。Whisperはあなたの発話をテキストメッセージに変換します。Discordの音声チャンネルをトランスクリプトするわけではありません。つまり、通話中にとどまって他の全員が話していることを書き出す機能ではないのです。それは本当に求めている人がいる機能ですが、まったく別のツール——Discordボット——の役割です。

これを目的として作られたボット——最も一般的なのはScripty——は音声チャンネルに参加し、会話のトランスクリプトをリアルタイムでテキストチャンネルに投稿します。Scriptyの基本トランスクリプションは無料で、約55言語に対応し、第三者への音声データの受け渡しなしに処理します。この分野には他にSeaVoiceやDiscMeetもあります。「通話全体を字幕化したい」なら、そちらを使ってください。Whisperではありません。「自分のメッセージを打つ代わりに話したい」なら、それはWhisperまたはOSの機能です。同じアプリに偶然同居している、2つの異なる問題です。

ディクテーションアプリを使わずOSをそのまま使う場面

たまにメッセージをディクテーションするだけなら、何もインストールする必要はありません。パソコンは無料でそれができます。Windowsなら、Windows logo key + Hを押すとどのテキスト入力欄でも（Discordのチャットバーを含む）音声入力が開き、サブスクリプション不要です。Macでは内蔵のディクテーションショートカット（またはマイクキー）が同じことをし、Apple siliconではインターネット不要でデバイス上で動作します。スマートフォンではキーボードのマイクアイコンをタップすれば、Discordのモバイルメッセージ欄に直接ディクテーションできます。それはiOSまたはGboardが行っているものであってDiscordではありませんが、機能します。

知っておく価値のあるトレードオフが一つあります。WindowsのWin+Hは動作にインターネット接続が必要ですが、macOSのディクテーションとWhisperのローカルモードは不要です。「5分遅れる、先に始めてて」のような素早いメッセージにはOSツールが正解です。専用アプリが優位に立つのは、使用量が多い場合、フィラー除去、そして通話中のオフラインディクテーション——長ければ長いほど、頻繁なほど、その差が際立ちます。

問題を解決できる最小のツールを選んでください。1つのメッセージなら、すでに持っているキーです。5つのサーバーで長いメッセージを一晩中送るなら、専用アプリはタイプせずに済んだ2〜3段落あたりから大げさには感じなくなります。

Whisperの料金

ローカルディクテーションパイプライン——トランスクリプションとOllama経由のAI整形——は、サインイン済みのすべてのユーザーに無料で、サインアップ時にカード情報は不要です。WhisperでDiscordに音声を送るのに費用はかかりません。Whisper Proはクラウド機能（OpenAIトランスクリプション、クラウドAI強化、音声ウェブ検索）を追加し、別途トライアルがあります。正確な数字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すし、ブログ記事は最新情報を維持するのに適した場所ではないためです。

Discordはいつか本物のディクテーションを搭載するでしょう。十分な数の人が/ttsと打って「逆のことをしてくれるはず」と期待するようになれば、アプリはそういった方向に進むものです。それまでの間、あなたのコンピューターにはすでにその機能があり、内蔵版では物足りないときのためにアプリがあり、通話に字幕をつけるという全く別の用途のためにボットがあります。3つのツール、3つの問題。ほとんどの場合、必要なのは一番小さなものです。