音声からテキストへ—— Obsidian

Obsidianには音声からテキスト変換が内蔵されているか？

いいえ。Obsidianにはエディターで音声をテキストに変換するネイティブの音声入力機能がありません。コアのAudio Recorderプラグインは音声ファイルを録音してノートに添付しますが、話した内容を文字起こしはしません。それは便利な機能ですが、大半の人が求めているものとは逆です。

ボルト内で本格的な文字起こしを行うには、コミュニティプラグインを使います。最も一般的なのはnikdanilov製の"Whisper"プラグインです。音声を録音またはアップロードし、Whisper互換の文字起こしAPIに送信して、カーソル位置に結果を貼り付けます。デスクトップとモバイルで動作し、デフォルトのホットキーはAlt+Qです。問題は独自のクイックスタートにあります——OpenAI、Groq、Azure、または他のWhisper互換サービスと通信するため、設定でAPIキーを追加します。つまりクラウドであり、音声1分あたりAPIプロバイダーへの支払いが発生します。

エディター内には他の方法もあります。コアのAudio RecorderとDeepgramのような文字起こしサービスを組み合わせたり、Obsidianと並行して別の音声入力ツールを使ったりする人もいます。どれも問題ない選択肢です。ただし共通点に気づくでしょう——ノート内で文字起こしするものはほぼすべて、音声をクラウドAPIに送信してキーを要求します。両方を回避する別の方法があります。

一つのボルト内のプラグイン vs. どこでも使えるホットキー

これが明確にする価値のある違いです。ボルト内プラグインはObsidian内に存在します。ノートにいる時、独自のホットキーで文字起こしをしますが、そこでしか機能しません。システム全体のホットキーアプリは一段上、OSに存在します。Obsidianにも入力しますが、ブラウザ、メール、ターミナル、その他すべてのアプリにも入力します——コンピューターにとっては単に入力しているだけだからです。

どちらが必要かは実際に何をしているかによります。唯一の目的が録音した音声ファイルをノートに置いてその場で文字起こしすることなら、プラグインはまさにそのために作られています。タイプするようにエディターに文章を口述し、かつ書く場所すべてで音声入力したいなら、システム全体アプリの方が適しています。このガイドの残りは主に後者について扱います——キーもボルトごとの設定も不要だからです。

最も速い方法：システム全体のホットキー

ここでデスクトップアプリが計算を変えます。Whisper by RemskillはObsidianプラグインでも、ボルト連携でも、ブラウザ拡張機能でもありません。キーボードのように機能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、カーソル位置にトランスクリプトが貼り付けられます。Obsidianのノートを含む任意のアプリで。APIキーの貼り付けは不要です。文字起こしエンジンがローカルのマシン上で動作するからです。統合するのではなく入力するため、Obsidianでも他のすべての場所でも同じように機能します。

設定は短い：

それがループ全体です。トランスクリプトがエディターに表示され、読んで、書き続けます。

話すと、ノートが埋まる

動作するようになると、最良の意味で地味な体験になります。ノートにカーソルを置き、キーを押し、話して、離す。1秒ほどでテキストがエディターに入力したかのように現れます。後でスクラブする別の録音なし、ボルトを散らかす音声ファイルなし、待つべき文字起こしジョブなし。ただカーソルがあった場所に言葉があるだけ。

ローカル文字起こしがマシン上で動作するため（純粋なRust、Pythonサイドカーなし、ループ内にサーバーなし）、オフラインで動作します。ノートアプリにとって、それがすべての要点です。キャプチャしている思考、要約している会議、他の人のログにインデックスされたくない半分まとまったアイデア——音声の何もラップトップを離れません。クラウドAPIを呼び出すボルト内プラグインはそれを言えませんし、Windowsの内蔵音声入力はそもそも機能するためにインターネット接続が必要です。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、その背後には設定画面があります。文字起こしエンジンを選択します——Whisperモデル（多言語バリアントが99言語をカバー）、またはNVIDIAのParakeet（約600MB、CPU上でWhisperの5〜10倍速く、英語と24のヨーロッパ言語をカバー）。ホットキーを設定し、履歴を管理し、プリセットを保存します。それらのいずれも1つのノートを口述するために必要ではありません。調整したいときのためにあります。

AIで口述したノートをクリーンアップ

話し言葉は乱雑です。「えーと」と言い、文章を言い直し、「わかりますよね」という意味の曖昧な音で終わります。Whisperには、貼り付け前にフィラーを削除してフレーズを整える任意のAI強化ステップがあります。「えーと、まあ、その、会議が移動して、多分私たち、私たちは木曜日になると思う」が「会議が移動しました；木曜日になると思います。」になります。後で読み直す永続的なノートには、そのクリーンアップは価値があります。

そのクリーンアップはOllamaを通してローカルで、自分のマシン上で無料で動作します。Proユーザーは代わりにクラウドを通じてルーティングできますが、フィラークリーンアップの恩恵はProを必要としません——無料のローカルパイプラインで利用できます。オフにして生のトランスクリプトを貼り付けることもでき、クイックキャプチャにはそれが正しいことが多いです。

ローカルかつプライベート：ノートはマシン上に留まる

ノートツールについて私が自信を持って言える唯一の強い意見があります——クラウド専用の音声入力はプライバシーの大惨事を文字起こし待ちにしているようなものです。ボルトには作成中の給与スプレッドシート、子どもの学校へのメール、まだ共有する準備ができていない半完成の考えが入っています。多くの人にとってのObsidianの魅力全体は、ノートが自分のディスク上の素のファイルであることです。それらのノートの音声をベンダーのAPIを通じてパイプすると、それが静かに覆されます。

Whisperのローカルエンジンを使用すると、録音は自分のCPU上で文字起こしされて破棄されます。キーなし、文字起こしプロバイダーのアカウントなし、どこかのログに残る音声なし。それはマーケティングの言葉ではなく、単に計算がどこで行われるかです。かつてチームがスタンドアップ録音をAPIに送り続けて1四半期で5桁のクラウド料金を積み上げるのを見ました；CFOの反応はおおよそ「すでにノートがある会議を文字起こしするのに払わない」でした。同じロジックが個人のボルトにも当てはまります——CFOはいませんが。

ボルトプラグインの方が適している場合

システム全体アプリがすべてのケースで勝つとは言いません——なぜならそうではないからです。録音した音声メモや会議音声のフォルダがあって、特定のノート内に文字起こしして添付したい場合は、nikdanilovの"Whisper"プラグインのようなボルト内プラグインがまさにそのワークフローのために作られています。ファイルを録音またはアップロードしてトランスクリプトをノートに置きます。文字起こしAPIに分単位で支払いキーを管理することになりますが、ファイル入力、ノート内トランスクリプトのループはまさにそれが行うことであり、ホットキー入力アプリはそれを置き換えません。

何もしないオプションもあります。ときどき一行口述するだけなら、OSがすでに無料でそれをしています。Windowsでは、Windowsロゴキー + Hを押すと、Obsidianのノートを含む任意のテキストボックスで音声入力が開きます。Macでは組み込みの音声入力ショートカットが同じことをし、Apple siliconではインターネットなしでデバイス上で動作します。トレードオフ：WindowsのWin+Hは接続が必要ですが、macOSの音声入力とWhisperのローカルモードは不要です。

問題を解決する最小のツールを選んでください。一行のキャプチャには、OSがすでに持っているキーです。特定のノートに音声ファイルを文字起こしするには、ボルト内プラグインです。エディターとその他の書く場所すべてに、オフラインでキーなしで文章を口述するには、システム全体アプリです。

Whisperの料金

ローカル口述パイプライン——Ollamaを通じた文字起こしとAIクリーンアップ——は、登録時にカード不要でサインインしているユーザーなら誰でも無料です。WhisperでノートにAIを組み込む費用はゼロで、1分あたりの文字起こしAPIの課金はありません。Whisper Proはクラウド機能（OpenAI文字起こし、クラウドAI強化、音声ウェブ検索）を追加し、別のトライアルが付いています。正確な金額は料金ページにあります——ここではなく、価格は変わりますし、ブログ記事は最新の状態を保つのに適した場所ではありません。

Obsidianはいずれネイティブの音声入力機能を追加するでしょう——アプリは3つのプラグインをインストールするほど十分な人がそれを模倣しようとすると、そうなる傾向があります。それまでの間、ボルトには選択肢があります——音声ファイルを文字起こしするためのボルト内プラグイン、ときどきの一行のためのOS、そしてキーもサーバーもなしでエディターに文章を口述するためのシステム全体アプリ。3つのツール、一つのノートブック。ほとんどの場合、音声をマシン上に保つものが必要です。