音声入力ソフト： 無料の標準機能と有料ツールの違い

音声入力ソフトとは何か

音声入力ソフトとは、マイクから音声を取り込み、音声認識モデルを使って文字に変換するプログラムです。古い呼び名はディクテーションソフト。新しいマーケティング上の呼び名はAIディクテーションで、これはたいてい、句読点や言い回しを整える言語モデルを後ろに足しただけで、中身はほぼ同じものを指します。

形は三つあります。標準のディクテーションはOSに付属しています。Windowsの音声入力、Apple Dictationなどです。ブラウザベースの音声入力は一つのアプリの中だけで動きます。Googleドキュメントの音声入力のようなものです。そして専用のデスクトップアプリは別途インストールし、入力するあらゆる場所で使えます。ブランドよりも、この「形」のほうが重要です。Googleドキュメントの中でしか書けないブラウザツールは、どれだけ精度が高くても、Slackのメッセージには役に立ちません。どんなツールでも最初に問うべきは、精度がどれくらいかではなく、どこに入力させてくれるかです。精度は今やほとんどのツールで解決済みの問題ですが、「届く範囲」はそうではありません。

本格的なツールとおもちゃを分けるのは、どこに貼り付けるかです。標準ツールと専用デスクトップツールはシステム全体で動きます。どんなテキスト欄でもホットキーを押せば、そこにテキストが現れる。これがすべてです。精度も、言語も、AIによる仕上げも、その他のすべては、「今見ている場所に入力できるか」の上に乗った磨き込みにすぎません。

もう一つ、カテゴリーを分けるものがあります。モデルが何を聞き取れるかです。英語しか扱えないツールもあります。何十もの言語を扱い、一文の途中で切り替えられるものもあります。Whisperの英語専用モデルはちょうど一言語に対応し、多言語版は99言語をカバーします。NVIDIAのParakeetはその中間で、英語と24のヨーロッパ言語、計25言語です。英語でしか書かないなら、そんなことはどうでもよく、速さで選ぶべきです。昼までに二つの言語で下書きをするなら、これは大いに重要です。多くの人は、自分が必要とする言語の数を多く見積もりすぎ、レイテンシをどれだけ気にするかを過小評価します。キーを離してから文字が見えるまでの遅れこそ、毎回必ず感じるものなのです。

このカテゴリーについて読むより、システム全体で動くやり方を実際に見たいなら、Whisper音声入力ページで、WindowsとMacでホットキーを押し続けるループが、無料のローカルエンジン込みでご覧いただけます。

仕組み（そしてなぜ精度がついに良くなったのか）

内部のパイプラインは三つのステップでできています。マイクが短い音声クリップを録音する。音声認識モデルがその音声をテキストに変える。そして、ときには言語モデルが整えたあとで、テキストが貼り付けられる。

誰もが気づいた精度の飛躍は、真ん中のモデルから来ました。OpenAIによるオープンソースのWhisperモデルが、「良い」の意味を変えたのです。訛りも、雑音も、多言語版なら99言語も扱え、しかも学習のステップは要りません。最後のその点こそ、静かな革命でした。今どきの音声入力ソフトに、自分の声を教え込む必要はありません。インストールして、話すだけです。

それがSF同然だった時代を覚えているくらい、私は年を取っています。1990年代後半、ある親戚が64MB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。セットアップとは、ソフトが声に合わせて調整できるよう、45分かけて単語のリストを読み上げることでした。それでようやく、なんとか動いた。精度はせいぜい70%、一文ごとに4秒の遅れ。年賀状の一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飛ばされました。ヘッドセットは生き延び、その試みは死にました。25年後、同じ作業は90秒、学習はゼロです。ハードウェアが、ようやくこのアイデアに追いついたのです。

今日、真ん中のステップには二つの種類があります。ローカル処理は、モデルを自分のパソコンの上でオフラインで動かすので、音声が一切マシンの外に出ません。オフラインの音声テキスト変換が動くのと同じやり方です。クラウド処理は音声をサーバーに送るので、非力なハードでは速いこともありますが、自分の言葉が外に出ていきます。どちらが欲しいかは、何を口述しているかによります。買い物リストなら、誰も気にしません。顧客の契約書なら、気にするかもしれません。

三つ目のステップ、仕上げこそ、AIディクテーションの「AI」が宿る場所です。生の書き起こしは、段落の切れ目もなく、ときどき「えーと」が混じった言葉の壁を返してきます。言語モデルは句読点を直し、つなぎ言葉を落とし、頼めば口調まで合わせてくれます。Whisper by Remskillでは、このステップは任意で、Ollamaを通じてローカルで、あるいはProをオンにすれば自分のOpenAIキーを使ってクラウドで動きます。音声で起動することもできます。起動フレーズ（現在は「Hey whisper」）を言えば、テキストが生のまま貼られるのではなく、モデルに渡されます。とはいえ、こうしたことは核心の手品を変えるものではありません。言葉が届いたときに、どれだけ磨かれているかを決めているだけです。

すでに持っている無料の選択肢：Windowsの音声入力、Apple Dictation、Googleドキュメント

何かにお金を払う前に、自分のマシンにすでにあるものを確認しましょう。三つの無料の標準機能が、かなりの範囲をカバーします。

Windowsの音声入力

Windows 11では、どのテキスト欄でもWindowsロゴキーとHを同時に押すと、音声入力バーが現れます。手早いメッセージには向いています。難点は、認識がクラウドで行われるため、動かすにはインターネット接続と使えるマイクが要ること。Microsoftのリストによれば43言語に対応しています。電車の中でオフラインになると、動かなくなります。Windowsでの音声テキスト変換のガイドに、詳しい手順があります。

Apple Dictation

Macでは、「システム設定」の「キーボード」→「音声入力」でオンにし、マイクキーか選んだショートカットで開始します。現行版は長さに関係なくテキストを書き起こし、ハードな時間制限ではなく、30秒の無音が続いたときだけ止まります。Apple Siliconでは、音声を端末上で処理できます。短いメモなら無料で十分です。長めのセットアップはMacでの音声テキスト変換にあります。

Googleドキュメントの音声入力

Chrome、Edge、SafariでGoogleドキュメントを開き、「ツール」→「音声入力」をクリックすると、マイクのボックスが現れます。100を超える言語と地域別の変種に対応しています。決定的な制限は、その名前のとおりです。GoogleドキュメントとGoogleスライドの中でしか書けません。メールにも、Slackにも、コードにも入力してくれません。

この三つの正直な読み方はこうです。これらはデモではなく本物のツールで、多くの人にとっては、これで探索は終わりです。どこで止まるかも予想がつきます。Windowsの音声入力は、電波を失った瞬間に死にます。Googleドキュメントの音声入力は、決してそのドキュメントの外には出ません。Apple DictationはMacでは優秀ですが、それ以外のどこにもありません。あなたの仕事がこの境界の内側に収まるなら、もう終わりです。このタブを閉じて、キーを押してください。有料のカテゴリーは、収まらない仕事のためにあります。一日中の口述、飛行機の中でのオフライン、一つではなくすべてのアプリ、そして自分のディスクにとどめておかなければならない音声、そういう仕事のためです。

知っておく価値のある有料ツール（Dragon、Wispr Flow、Superwhisper、Voicy、Whisper by Remskill）

無料ツールに余裕がなくなったとき、一日中口述する、オフラインモードが要る、AIによる仕上げが欲しいといったとき、有料のカテゴリーが開けます。知っておく価値のある名前を、それぞれ正直な一行とともに挙げます。

ずらりと順位づけして見たいなら、こちらがランキングで見る最高の音声入力ソフトです。

これらをストップウォッチで一対一に走らせたわけではないので、そんなふりはしません。下の名前は三つのことで選びました。文書化されたプラットフォームの広さ（実際に入力する場所で動くか）、文書化されたオフライン対応（音声がマシンの外に出るか）、そして文書化された言語のカバー範囲です。表には、各ベンダーが公表している事実だけを載せています。速さと精度を外したのは、すべてを横並びにする中立的なベンチマークが存在せず、それを自分ででっち上げることこそ、私がここで思いとどまらせようとしている、まさにそのものだからです。

Dragon by Nuance は古参です。Dragon Professional v16は、初回利用から最大99%の認識精度で、タイピングの3倍速い口述をうたい、Windows 11向けに最適化されています。その99%はNuance自身の数字であって、中立的なベンチマークではありません。難点は、Dragon ProfessionalはWindows専用で、現行のMacデスクトップ版がないことです。

Wispr Flow、Superwhisper、Voicy は、AIディクテーションアプリの新しい波です。音声モデルをきれいなインターフェースで包み、口調や書式の仕上げを加えています。どれも有能です。このカテゴリーのほとんどに共通するパターンは同じ構成で、音声モデル、UI、そして毎月の請求書。差が最も出るのは、その請求書のところです。 その請求書がいちばん痛いところなら、正直なsuperwhisperの代替案を書きました。ローカルのパイプライン全体を、ずっと無料のまま使えます。

Whisper by Remskill（私たちのアプリ）は、WindowsとApple SiliconのmacOS向けのデスクトップツールです。ホットキーを押し、話すと、どのアプリでもテキストがカーソルの位置に貼り付けられます。標準のホットキーはWindowsではCtrl+Space、MacではCommand+Optionの押して話すコードで、両方を押し続け、どちらかを離すと止まります。選ぶのはエンジンです。三つの道から選べます。ローカルのNVIDIA Parakeet（約600MB、CPUでWhisperの5〜10倍速い、英語と24のヨーロッパ言語）。ローカルのWhisper（8つのモデル、多言語版なら99言語、英語への翻訳）。あるいはクラウドモードで、これは自分のOpenAIキーを使ってgpt-4o-mini-transcribeまたはgpt-4o-transcribeを動かし、私たちは一切手数料を取りません。ローカルの書き起こしはすべて純粋なRustで、Pythonはありません。より広い分野の詳しい比較は、書き起こしソフトのまとめにあります。

ここで、私の一つだけの意見を言わせてください。まずはローカルモードを試してください。MacがApple Siliconか、PCがここ4年以内のものなら、日々の口述にクラウドは要りません。ローカルのParakeetは、最近のハードなら2秒もかからずに書き起こしを始め、音声はノートパソコンの外に出ず、クラウドはOpenAI級の精度やウェブ検索が欲しいときの非常口であって、初期設定ではありません。壁にぶつかったときにネットワークに手を伸ばす。その前ではありません。私は反射的に大きくて派手な解決策に手を伸ばし、そのあと自分を引き戻す、そういうタイプの設計者です。ローカルファーストは、私が自分を引き戻している姿そのもの。それを公の場でやることで、私が一週間を無駄にする部分を、あなたは飛ばせます。

現実的な理由はハードウェアです。最近のノートパソコンには、すでにマイクと、音声モデルを単独で動かせるほど速いプロセッサが入っています。一段落分の音声を、マシンがオフラインで2秒以内にできる仕事のために、サーバーへ送って戻すのは、ノートパソコンが遅すぎた時代の名残の習慣です。もうそうではありません。クラウドが元を取るのは難しいケースです。騒がしい部屋、珍しい訛り、返信に貼り付けるライブのウェブ回答が必要なリクエスト。メール、メモ、チャットといった日々の流れには、ローカルのほうが始まりが速く、初期設定でプライベートで、サインインしたユーザーには無料です。非常口は必要なときにそこにあります。でも、たいていの日は使わないでしょう。

専用アプリをやめて標準機能を使うべきとき

ここが、ほとんどの「おすすめソフト」記事が飛ばす部分です。30語のテキストや手早いSlackの返信といった短いメッセージを送るなら、マシンにすでにある無料のディクテーションだけで十分です。Windowsの音声入力（Windowsキー+H）とApple Dictationは無料で、標準搭載で、ちゃんと動きます。一文を書くために、何かをインストールしたりお金を払ったりしないでください。専用アプリがその居場所を得るのは、頻繁に口述する、飛行機の中でオフラインに動いてほしい、一つだけでなくあらゆるアプリで使いたい、あるいは自分の言葉が端末にとどまることを気にする、そういうときです。その手前なら、退屈な真実ですが、あなたはすでに正しいツールを持っています。

Whisper by Remskillの料金

Whisper by Remskillは、サインインしたすべてのユーザーに対して、ローカルのパイプライン全体が無料です。ローカルのWhisper、Parakeet、OllamaベースのAI仕上げ、履歴、カスタムホットキー、モデルのダウンロード。登録に支払い方法は要りません。Whisper Proはクラウドの面を加えます。OpenAIのクラウド書き起こし、クラウドのAI強化、そして自分のOpenAIキーを使った音声ウェブ検索です。クラウドモードはOpenAIから直接請求され、私たちは手数料を取りません。現在のプランとProの体験版は、料金ページにあります。ここで数字を並べ立てるつもりはありません。一段落の文章よりも、そのページのほうがうまく伝えてくれます。

私の親戚は1999年に、ヘッドセットを部屋の向こうへ投げました。ディクテーションが、ゴミのような結果を生む45分の苦行だったからです。ヘッドセットはその試みより長生きしました。25年後、その苦行は消えました。キーを押して話せば、言葉が現れます。残された本当の決断は「どのツールか」だけで、多くの人にとっての正解は、すでにマシンの上に、電源を切られたまま、待っているのです。私自身の子どもたちは、それがかつて大変だったことを決して知らないでしょう。それが目標です。たとえ、夕食の食卓では面白みのない話になるとしても。