Whisper for Mac

Whisper を包む Mac ツールと、それぞれの用途

「Whisper for Mac」と検索する人の大半は、pip には触れたくありません。欲しいのはアプリです。優れたものがいくつかありますが、どれも互換性があるわけではありません。大きく2つの陣営に分かれます。

私が作っている Whisper by Remskill は陣営その二です。音声入力ファースト。何かをダウンロードする前に、自分がどちらの陣営にいるのかを知っておく価値があります。

Whisper by Remskill が Mac でやってくれること

私が作ったものを説明します。あとは他と見比べて判断してください。

これは音声入力アプリです。ホットキーを押して話すと、どのアプリでもカーソルの位置にテキストが入ります。Mail、Notes、Slack、コードエディター、今年の学校の許可証を書き込む欄、どこでも。Mac でのデフォルトのホットキーは Command と Option の同時押しで、自由に変更できます。文字起こしはすべてあなたの Mac 上で行われます。アップロードするファイルも、管理する録音もありません。

Python を動かす必要もありません。pip も、ffmpeg も、ターミナルも、GPU もなし。全体が純粋な Rust でできています。Whisper と Parakeet のエンジンは transcribe-rs というライブラリを通して動き、Python のサイドカーは同梱されていません。ローカルの文字起こしは CPU で動き、専用の GPU は不要。アプリのディスク容量はおよそ 25 MB です。

モデルそのものは、あなたが選びます。ローカルの Whisper なら、8つのモデル、99言語、英語への翻訳、カスタム語彙、ビームサイズの調整、ホットワードのバイアスが使えます。遅いですが、いちばん細かく制御できます。Parakeet は NVIDIA の TDT エンジンで、サイズはおよそ 600 MB。CPU 上では Whisper の5〜10倍速く動き、英語に加えて他のヨーロッパ言語24種をカバーしますが、英語への翻訳はありません。クラウドモードは3つめの道です。自分の OpenAI キーを持ち込めば、私たちは手数料を一切取りません。私はあえて、あなたの代わりに1つを選んだりはしません。違いはこちらで整理しています。Whisper と Parakeet の比較 詳しいバージョンが知りたい方はどうぞ。

ローカルの精度はおおむね95%から99%の間に収まります。ローカル処理一式は、サインインしたユーザーなら誰でも無料です。Whisper、Parakeet、Ollama によるオフライン AI 整文、文字起こし履歴、プリセット、ホットワード、ハードウェアアクセラレーション、モデルのダウンロード、そしてカスタムホットキー。サインアップ時に支払い方法は不要。最大3台のデバイスで使えます。有料プランの Whisper Pro が追加するのはクラウド面だけ。OpenAI のクラウド文字起こし、クラウド AI 整文、ウェブ検索です。料金については料金ページをご覧ください。ここで具体的な金額は挙げません。料金ページは変わるものですし、出どころから直接読んでいただくのがいちばんだからです。

正直に1つだけ制約を。私たちの Mac ビルドは Apple Silicon 専用で、M1 から M4 まで。Intel Mac をお使いなら、このアプリはあなた向けではありません。代わりに何がいいかは、このあとすぐにお伝えします。

実際の最初の音声入力がどんな感じになるか、お見せしましょう。ホットキーを押すと小さな録音インジケーターが現れ、話して、離すと、整えられたテキストがカーソルのあった場所にすっと落ちてきます。下にあるオーバーレイは、アプリが本当に表示しているもので、モックアップではありません。

セットアップは短くて済みます。アプリをダウンロードし、サインインし、モデルを1つだけ取得させます。いちばん小さいのは約 600 MB の Parakeet、あるいは多言語や翻訳が欲しいなら Whisper モデルを。ホットキーを選ぶか、Command と Option のままにしておきます。あとは Mail を開いて、ホットキーを押したまま、ひとこと話してみてください。それが導入のすべてです。うちの下の娘は、私に一度も追加の質問をせずにやってのけました。私が完全に信用している使いやすさのテストは、それだけです。スクリーンショットを1枚ずつ追いながら、3つのモデルの道すべてをたどる、もっと長い解説が読みたい方には、専用のガイドを書きました。Mac での音声入力です。

なぜ私は Mac でローカルにこだわるのか

この記事で1つだけ、私の強い意見を言わせてください。クラウド専用の音声入力は、プライバシーの惨事です。

上司の給与一覧の表計算、子どもの学校宛てのメール、電車の中で書いている法的な書面。声で入力したかったというだけの理由で、そのどれもがどこかのベンダーのサーバーを通っていいわけがありません。あなたの Mac には、すでにマイクと CPU があります。1段落の音声入力のために、途中にサーバーを挟む必要はないのです。ローカルエンジンを使えば、音声がマシンの外に出ることは一切ありません。それが私なら選ぶデフォルトであり、しかも無料です。

クラウドモードは、本当に最新の OpenAI モデルやウェブからの答えが欲しいときのために、自分のキーで使うものとして存在しています。それは非常口であって、正面玄関ではありません。

MacWhisper、VoiceInk、あるいは CLI のほうが良いとき

1つのアプリがあらゆる場面で勝つようなふりをしたら、私はガイド失格です。そうはなりません。ここからは、私があなたを他のツールへ送り出す場面です。

1つだけ覚えておくなら

モデルは無料で、オープンです。本当に大事な決め事は、その周りに何を巻きつけるか。ターミナルか、ファイル文字起こしの GUI か、それとも、いま目の前にしているものに、その場の発話を入力してくれるホットキーか。包み方を仕事に合わせること。そして Mac では、よほど Python が好きでないかぎり、Python のことは忘れてかまいません。Mac で Whisper を探しに来る人は3種類います。録音のフォルダを抱えている人、もう二度とタイピングしたくない人、そして、ただ名前が気に入っただけの人。そのうち2種類は、ここまで読むまで、間違った陣営にいたのです。

この記事のほとんどは、タイプではなく音声入力で書きました。それがふさわしい気がしたので。手でタイプした1段落だけ、誤字が多かったです。