Gmail での音声入力を、 正しく使う

Gmail のデスクトップ版には音声入力がない。では何が使えるのか。

ノートパソコンで Gmail を開き、「作成」をクリックして、エディタのまわりにマイクがないか探してみてください。ありません。Google Docs と Slides には音声入力が組み込まれていますが（Chrome、Edge、Safari 対応）、Google 自身のサポート文書はその機能を Docs と Slides に限定しています。Gmail はそのリストに入っていません。Gmail にマイクボタンが欲しいという声は何年も前から Google のサポートフォーラムに上がっています。それでも実装されていません。

デスクトップでの正直な三つの道はこうです。代わりにスマホで Gmail を開く——システムキーボードのマイクは、Gmail の作成画面を含め、あらゆるテキスト欄ですでに動きます。Gmail のタブにマイクを追加する Chrome 拡張機能を入れる——Voice In、Voicy、あるいは直球な名前の「Dictation for Gmail」など。または、OS レベルでホットキーを横取りして、フォーカスしているウィンドウに文字起こしテキストを貼り付けるデスクトップアプリを入れる——Whisper、Willow Voice、Voicy のネイティブ版など。一つ目は Chrome のタブの中でしか使えません。三つ目はカーソルが点滅するところならどこでも使えます。

退屈な真実を言うと、これらは別々の問題を解決しています。Gmail の中だけで音声を使いたいなら、拡張機能で十分です。それを習慣にしたいなら——Gmail だけでなく、ほかに書き物をする8つのアプリでも使いたいなら——拡張機能はすぐに限界にぶつかります。

いちばん速いセットアップ: Chrome 拡張機能とホットキー

Gmail で音声を使いたくて、すでに Chrome を使っているなら、これが最短の道です。所要時間はおよそ3分。

事前準備（1分）

• Google Chrome がインストールされていること（Edge や Brave などの Chromium ベースのブラウザでも可）。
• 動作するマイク。内蔵マイクで構いません。
• OS レベルでマイクの権限が許可されていること。macOS: システム設定 → プライバシーとセキュリティ → マイク。Windows: 設定 → プライバシー → マイク。
• Gmail にログインしていること。

拡張機能を一つ選ぶ

実際にユーザー数のある三つはこちら:

• Voice In（Dictanote 製）。Chrome 拡張機能専用のツール（Edge アドオンとしても提供）。10,000以上のウェブサイト、100以上の言語で動作。無料プランと有料の Plus プランがあります。
• Voicy。ネイティブアプリと Chrome 拡張機能の両方。拡張機能は Gmail と20,000以上のサイトに対応。50以上の言語と99%の精度をうたっています。
• Dictation for Gmail。Gmail に特化していて、送信ボタンの隣にマイクアイコンを追加します。60言語、100,000人以上のユーザー、273件の評価で3.5★。

4ステップでインストール

たいていの人は3分かからずに動かせます。面倒なのはセットアップではありません。面倒なのはそのあとのすべてで、それについてはこれから触れます。

モバイルでは Gmail がすでにこれをやってくれる。それで十分。

メールの大半をスマホで書くなら、このためのアプリは要りません。拡張機能も要りません。この記事の残りを読む必要もありません。セットアップにかかる時間はゼロ。もうそこにあるのです。

Android では、Gmail を開いて「作成」をタップし、本文をタップして、Gboard キーボードの一番上の段を見てください。マイクのアイコンがあります。タップして、しゃべって、もう一度タップ。Google 自身のドキュメントはこれを「キーボードで入力できるほとんどの場所で、話して書くことができます」と表現しています。きれいな対応言語数は公開しておらず、Gboard が対応する言語すべてで動くわけではない、とだけ述べています。主要なロマンス語派とゲルマン語派はカバーされています。

iPhone では、Gmail を開いて「作成」をタップし、本文をタップして、iOS キーボードを見てください。スペースバーの隣にマイクキーがあります。タップして、しゃべって、完了をタップ。iOS のキーボードマイクはシステムレベルなので、同じキーが Gmail、メッセージ、メモ、Safari でも動きます。（iOS 版 Gboard をインストールしていれば、独自のマイクボタンがあります。どちらでも構いません。）Apple は iOS のディクテーションの言語数を一律には公開していませんが、47の地域別バリアントを挙げている macOS の音声入力に近い数になります。

どちらも無料。どちらも標準装備。スマホ中心でメールを書く人なら、この記事の残りはノートパソコンを使う日のためのものです。そうでなければ、これで完了です。

なぜデスクトップ拡張機能はいまだに句読点を間違えるのか

Chrome 拡張機能は動きはしますが、その精度こそが「Dictation for Gmail」が4.7ではなく273件のレビューで平均3.5星にとどまっている理由です。不満のパターンは三つとも共通しています。一度わかってしまえば、もう驚かなくなります。

ブラウザ拡張機能のディクテーションツールの多くは、Web Speech API のラッパーです。音声からテキストへの変換を Chrome にやらせて、その結果を貼り付けます。あの API は短い発話には十分ですが、少しでも長くなると不安定です。具体的に壊れるのはこういう点です:

• 句読点は声に出して言わないといけない。 「ピリオド」「カンマ」「クエスチョンマーク」「改行」。覚えられると思うでしょう。覚えられません。脳は、文の終わりごとに「ピリオド」と声に出したがらないのです。たいていのユーザーは句読点なしの一続きで話してから、トラックパッドで整えます。それでは目的の大半が台無しです。
• 沈黙が続くとマイクがタイムアウトする。 言い回しを考えようと3秒間黙ると、API は聞くのをやめます。話し始めると、文の半分が抜け落ちています。
• タブのフォーカスがべったり張りつく。 別の Chrome タブをクリックするとマイクが止まります。日付を確認しようとカレンダーに切り替えるとマイクが止まります。ディクテーションは一つのタブの中だけで生きているのです。
• なまりと固有名詞。 名前は、ブラウザが近いと判断した単語に勝手に補正されます。私の受信相手は、Andre と呼ばれたり、Ankara と呼ばれたり、気づく前には一度「Ms. Andrescu」にされたこともありました。

Voicy は拡張機能が独自の AI を使って精度を高めていると主張していて、もし拡張機能の道で行くなら私はまずこれを試すでしょう。とはいえ、どれも「声で句読点」とタイムアウトの問題は解決していません。どちらも、ブラウザのディクテーションは執筆ツールではなく30秒の操作だ、という前提に組み込まれているのです。

同じブラウザ拡張機能の限界は、 Google Docs の音声入力にも当てはまります——タブの中では便利ですが、カーソルについて Gmail やほかの場所へ移ることは決してありません。

私が Gmail に使っているもの、そして使わないとき

私が Whisper を作ったのは、上に挙げた理由で Chrome 拡張機能に嫌気がさしていたからです。Mac（Apple Silicon）と Windows 向けの Tauri デスクトップアプリです。Intel Mac はなし、Linux もなし。OS レベルでホットキーを登録します。押して、しゃべって、離す。テキストが文字起こしされ、フォーカスしているウィンドウに貼り付けられます。

デフォルトのホットキー: Windows では Ctrl+Space、macOS では修飾キーのみの Command + Option（どちらの Command、どちらの Option でも可。押している間に録音、離すと停止）。どちらも設定でカスタマイズできます。

私の仕事のやり方を変えたのは、どのアプリがフォーカスされているかを気にしない、という点です。Gmail の作成画面でも、Slack でも、Notion でも、VS Code でも、ターミナルでも、同じホットキー。Rust 製の貼り付けモジュールが OS のクリップボードに書き込み、私が見ているウィンドウにネイティブの Cmd+V または Ctrl+V ショートカットを注入します。macOS は最初の一度だけアクセシビリティ権限を求めてきます。そのあとは、見えない存在になります。

Gmail にとってこれが大事なのは、コンテキストの切り替えがあるからです。返信を書き始めて、カレンダーに alt-tab で切り替え、また alt-tab で戻る。Chrome 拡張機能だと、マイクの状態は消えています。デスクトップのホットキーなら、中断したところから続けられます。

文字起こしエンジンはあなたが選びます。三つの道を、正直に、デフォルトなしで紹介します:

• クラウド（OpenAI BYOK）. デフォルトは gpt-4o-mini-transcribe、より高精度なものが必要なら gpt-4o-transcribe。自分の OpenAI キーを持ち込みます。品質は最高、ウェブ検索も内蔵、接続が必要です。
• ローカル Parakeet. NVIDIA の TDT モデル、約600MB、CPU 上で Whisper の5〜10倍速い。英語に加え24のヨーロッパ言語。オフライン。アジア言語と英語への翻訳はなし。
• ローカル Whisper. Base（約140MB）から Large v3（約3GB）まで。多言語版は99言語をカバー。.en の各版は英語専用です。Parakeet より遅いですが、翻訳に対応し、録音ごとのより細かい制御ができます。

英語の Gmail 返信には、ローカルの Parakeet にしっぱなしにしています。もっと長いメールでウェブ検索が必要なときはクラウドに切り替えます。AI のキーワードトリガーは「Hey whisper」に続けて指示を言うことです。

使わないとき: 「了解、対応します」という一行の返信。ホットキーの待ち時間がタイピングに勝るのは、だいたい10語を超えてからです。ディクテーションの真価は、話すほうがタイプより速い80〜200語のメールにあります。

Gboard や iOS のディクテーションが正解になるとき

Gmail の9割をスマホで使うなら、何もインストールしないこと。Gboard と iOS のディクテーションは無料で、システムレベルで、短〜中くらいのメッセージのために作られています。キーボードのマイクアイコンは、100語の返信を40秒でさばきます。

Mac を使っていて、テキスト欄に30秒の音声メモを入れたい程度なら、Apple のディクテーションが短いメモには使えます。macOS Tahoe は47の言語と地域別バリアントを搭載しています。マイクキー、設定可能なショートカット、または 編集 → ディクテーションを開始 で起動します。沈黙が30秒続くと止まるので、「はい、確認の返信を」には最適ですが、考えるために一呼吸置きたい段落には不向きです。

メールの大半をデスクトップやノートパソコンで、すべてがブラウザのタブではない複数のアプリで書くなら、そこからシステムレベルのアプリが効いてきます。私たちは一つ作っています。Willow Voice や Voicy のネイティブ版もそうです。腰を据える前にいくつか試してみてください——同じシステム全体のホットキーで、Notion への口述もできます。

Gmail の音声入力は10年前に Google の機能になっていてしかるべきで、なぜか今もそうなっていません。そうなるまでは、あなたの一日に合う道を選んでください。スマホにいるならスマホのキーボード、一つのタブの中で生きているなら Chrome 拡張機能、カーソルが行く先のどこでも書くならデスクトップアプリ。どれを選んでも、目的は同じです。100語のメールをタイプするのをやめましょう。