AI音声入力ツール4選。AquaVoiceやAmicalの比較と「喋る方が疲れる説」

この回のテーマは「試してみたい音声入力」です。しぶちょーさんは、音声入力はAIそのものの話ではないものの、今AI界隈でとても盛り上がっている話題だと切り出します。

かねりんさんはすでに音声入力を使っていて、以前から予告している自分の本も音声入力で書こうとしています。使っているのは、意外にもiPhone純正のメモと純正キーボードでした。

しぶちょーさんは、純正機能がダメなわけではないとしつつ、AI界隈で流行っている専用ツールがいくつかあると話します。今回は、全部は試せていないものの、そうしたツールを紹介する回だと説明しています。

本の執筆が遅れていることに話が及ぶと、しぶちょーさんは自分も1年間1ページも書かなかった時期があると明かします。その間にやっていたのは、ココナラでデザイナーに本に書くサインを作ってもらうことでした。

ただ、サインを作っても執筆のモチベーションは全然上がらなかったといいます。しぶちょーさんはこれを、テスト勉強の前に部屋を掃除する行動にたとえます。

しぶちょーさんの本は無事に書き上がり、そのサインも本に書けたそうです。かねりんさんの本を完成させるためにも音声入力が必要だ、という流れで本題に入ります。

かねりんさんは、パソコンでもF5の音声入力ボタンを押して入力しているので、iPhoneと同じではないかと尋ねます。しぶちょーさんは「一緒であるけど微妙に一緒でない」と答えます。

しぶちょーさんによると、音声入力は今、キーボードはオワコンだ、キーボードを捨てろと言う人がいるほど流行っているそうです。かねりんさんは、喋るより手を動かしたほうが早いときもあると反論します。

しぶちょーさん自身は、もともとタイピング派で音声入力には否定的でした。理由は、メインの作業場所が電車で、声を出せなかったからです。

ところが、しぶちょーさんは単身赴任で一人暮らしになり、作業環境が変わります。そこで、今まで知らなかった効率化の方法が見つかるかもしれないと考え、音声入力ソフトを下調べしたといいます。

かねりんさんが一人でずっと喋ることになると茶化すと、しぶちょーさんは、Podcastを毎日やっているので今もずっと一人で喋っていると返しています。

しぶちょーさんはまず、音声入力ソフトが何をするものかを整理します。もともとは、マイクに向かって喋ると、カーソルのある場所に文字が入るツールでした。

昔の音声入力ソフトは、聞き取った音を文字起こしして置き換えるだけでした。今のソフトは、裏でLLMLLM ── 大規模言語モデルの略。大量の文章を学習し、文章の生成や要約、言い換えなどができるAIで、ChatGPTなどの土台になっていますを動かし、文章を整えてくれる点が違います。

具体的には、「えー」「あー」のようなフィラーや言い間違いを直します。自分の辞書を裏に持つことで、同音異義語も文脈に合った正しい漢字に変換してくれるそうです。

かねりんさんは、入力しながらGPTで誤植を直していくようなものだと理解します。一方で、iPhoneの音声入力には困った経験があるといいます。

かねりんさんのiPhoneでは、「松田」と言うだけで、電話帳にある人のフルネームと仰々しい肩書きまで入ってしまうそうです。しぶちょーさんは、iPhoneは良かれと思ってやっているのだろうと受け止めます。

そのうえでしぶちょーさんは、標準機能ではなく専門のツールを使おうと提案します。ただし、本格的に使うには課金が必要なものもあります。

音声入力ソフトの多くは、OpenAIが作った文字起こしモデルWhisperWhisper ── OpenAIが開発した音声認識モデル。話した音声を高い精度でテキストに変換でき、モデルが公開されているため手元のPCでも動かせますで素早く文字起こしをし、そこに整形のサポートを加える仕組みだと説明されます。

しぶちょーさんが挙げる代表的なソフトは4つです。どれも無料で使える期間や範囲があり、毎日しっかり使うなら課金、月に少し使う程度なら無料枠でも十分いけるといいます。

1つ目の音声入力ソフトはAmicalです。しぶちょーさんが最近使い始め、今メインで使っているツールです。

Amicalはオープンソースなので無料です。かねりんさんが「無料なんてゴミでしょ」と疑うと、しぶちょーさんは「いいよ」と返します。

Amicalの大きな特徴は、ローカルで動くことです。速い一方で、中でローカルLLMを動かすため、パソコンにそれなりのスペックを要求します。

しぶちょーさんがAmicalを動かしているのは、MacBookではなく、RTX 4070を積んだデスクトップPCです。基本的な使い方は、ショートカットキーを押しながら喋ると、その内容が入力されるというものです。

かねりんさんが、iPhone純正の入力より上かと聞くと、しぶちょーさんは「全然上」と答えます。「あ」「え」も入らず、文章としてまとまって出てくるそうです。

しぶちょーさんは、音声入力のよさがここで腑に落ちたといいます。みんなが使うのは、喋ったことをただ文字にするのではなく、AIがいい感じにまとめてくれるからだと納得しています。

かねりんさんは、音声ファイルを入れて文字起こしにも使えるのかと尋ねます。かねりんさんは普段、このポッドキャストの文字起こしをGemini AI Studioで行っていますが、時間がかかり、途中で止まることもあるそうです。

しぶちょーさんも、Geminiの文字起こしには言っていない内容が混ざることがあると同意します。二人は、自分の記憶を疑うほど怖いと話しています。

しぶちょーさんの考えでは、単純な文字起こしなら、Vibe CodingVibe Coding ── 細かくコードを書かず、AIに自然な言葉で指示しながらプログラムを作っていく開発スタイル。AIのコーディング支援の普及とともに広まった言葉ですで自分用のツールを作るほうがよいかもしれません。Whisperはダウンロードしてローカルで動かせるため、MacBook Proなら動くはずだといいます。

しぶちょーさん自身は、以前Google Colaboratoryの環境でWhisperを動かしていた気がするとのことです。今はGeminiを使っていますが、ポッドキャストの原稿を先に全部書くので、文字起こしの機会はあまりないそうです。

かねりんさんには、別のプロジェクトで文字起こしの需要があります。毎日1万文字ほどの情報を共有していたところ、音声で欲しい、けれど記憶に残すためにテキストも欲しいと頼まれたそうです。

しぶちょーさんは、Whisperは音声をそのまま文字にするもので、整形には別途LLMが必要かもしれないと補足します。音声入力ソフトは同時通訳のように即時性を重視しているため、かねりんさんの文字起こし需要には合わないかもしれないとも話します。

しぶちょーさんはAmicalの話に戻り、ローカルで動くことはセキュリティ面でも利点だと説明します。処理がPCの中で完結し、クラウドに上がらないからです。

Amicalは精度もそれなりに高く、ファンが多いそうです。ネックはやはり、ローカルLLMを裏で動かすため、CPUやGPUなどPCのスペックを強く要求する点です。

かねりんさんのMacBook Proはメモリが18GBで、足りなくなっていました。PodcastMixerの現地で作業した際、音声の整音作業に十数時間かかり、その間パソコンが使えなかったといいます。

かねりんさんが買った新しいマシンは50万円を超えました。ビデオポッドキャストも増えるなか、マシンスペックを理由に及び腰になりたくなかったと話しています。

かねりんさんは2年ほど前から、出先も自宅も1台のパソコンで済ませる方針にしています。デスクトップと切り替えると、データや環境が揃わない面倒があったからです。

一方、しぶちょーさんが普段持ち歩くのはMacBook Airで、自宅にはデスクトップPCがあります。ネットにつながっていればリモートで自宅のPCに任せられるので、出先は軽いほうがいいという考え方もあるそうです。

しぶちょーさんは、1台に集約するか分けるかは「隣の芝は青い」状態になりがちだと話します。かねりんさんは、1台にしてみてとても快適だったとし、新しいマシンも持ち運びやすい14インチを選んだそうです。

2つ目の音声入力ソフトは、しぶちょーさんが「一番定番」と呼ぶAquaVoiceです。AI系の発信者やYouTuberがこぞって挙げるツールだといいます。

AquaVoiceはAmicalと違ってクラウド型で、インターネットにつながっていないと使えません。そのうえで、日本語の精度がとても高いと評価されているそうです。

AquaVoiceはレイテンシレイテンシ ── マイクに向かって話し終わってから、画面に文字が入力されるまでの遅延時間のこと。短いほど話すそばから文字が出てくる感覚になりますも短く、クラウドなのにかなりの速度が出るそうです。同音異義語などを自分で登録できるカスタム辞書もあります。

弱点は、完全にクラウドで処理することです。機密情報を喋ると、一度クラウドに上がってしまいます。料金は月額サブスクで、しぶちょーさんの記憶では月10ドルほどです。無料のお試しや無料の範囲もあるといいます。

3つ目はTypelessです。日本ではAquaVoiceを超えたとレビューされることもある、新しめのツールだと紹介されます。

かねりんさんは、YouTubeで見てTypelessを入れてみたことがあるそうです。ただ、キーボードを乗っ取ってくる感じが鬱陶しくて消したといいます。

Typelessもクラウドで処理しますが、データを学習に使わないことがプライバシーポリシーに明記されています。そのため、AquaVoiceよりセキュリティは高そうだと言われているそうです。

Typelessは特にスマホアプリの出来が群を抜いているそうです。一方で、レイテンシはAquaVoiceに劣り、料金はやや高めです。年払いなら月10ドルですが、月払いだと月30ドルになります。

かねりんさんがウェブサイトの雰囲気からTypelessを中国系だと推測する場面もありました。しぶちょーさんが調べると、実際はアメリカのシリコンバレー発のベンチャー企業で、かねりんさんは謝っています。

4つ目はSuperwhisperです。名前にWhisperと入っていますが、OpenAIが出しているわけではありません。しぶちょーさんによると、とても評価が高いツールです。

Superwhisperの特徴は、ローカル処理とクラウド処理を選べることです。もう1つ珍しいのが、サブスクだけでなく買い切りもできる点です。

Superwhisperの料金は、サブスクなら月8ドル、買い切りなら250ドルです。かねりんさんは、AIサービスで買い切りは珍しいとしつつ、2年後にはサービスがどうなっているかわからないと懐疑的です。

しぶちょーさんの説明をもとに、4つのツールを並べると次のようになります。

どれを使えばいいかと聞かれ、しぶちょーさんは、見た感じではSuperwhisperがよさそうだと答えます。MacならApple Siliconに最適化されているらしく、何よりも速いという評判があるからです。

しぶちょーさんは、ローカルを選べることや買い切りがあることにも惹かれたといいます。ただ、自分で使っているAmicalでも十分だったとも話しています。

精度については、クラウド型のほうが高いだろうというのが二人の見立てです。しぶちょーさんによると、AquaVoiceの精度はずば抜けているという評価が多いそうです。

スマホで使いたいかどうかについては、しぶちょーさんは、外でスマホに入力する場面ではマイクの問題もあり、あまり困らないと感じたそうです。本当は使い比べたかったものの間に合わなかったので、コミュニティで試してほしいと呼びかけています。

しぶちょーさんは、音声入力では入力ガジェットも大事だと話します。かねりんさんは本体マイクで十分だと考えていましたが、しぶちょーさんは首元につけるBluetoothマイクなどを勧めます。

定番として挙がったのが、ShokzのOpenComm2です。骨伝導タイプのオープンイヤー型イヤホンで、しぶちょーさんは2年ほどZoomなどのウェブミーティングで使ってきました。

しぶちょーさんによると、OpenComm2は音楽を聴くには向きませんが、音声入力のデバイスとしての評価が高いそうです。耳を塞がないのでつけっぱなしにでき、口元のマイクがボソボソ声も拾ってくれます。価格は2万2800円と少し高めです。

もう1つは、先月出たばかりだというDJIのMic Mini 2です。レシーバーとのセットで7000円ほどと安く、マイク2つ付きでも1万円以下で買えるそうです。

しぶちょーさんは、Mic Mini 2の音質はポッドキャスト収録には少し厳しいかもしれないとしつつ、レシーバーをパソコンに挿せば音声入力用として優秀だと話します。かねりんさんは、使っているDJI Mic 3とのスペック差はあまり大きくないと感じたそうです。

しぶちょーさんは、Mic Mini 2をもう少しで買いそうになったものの、すでにDJIのマイクを持っていて使い道がないと気づき、踏みとどまったそうです。

ここでしぶちょーさんは、音声入力をどんどん使おうと言いたいわけではないと話を切り替えます。ツールを入れるのはいいとしたうえで、おちつきAIらしい視点を出します。

音声入力を推す人がよく挙げる根拠は、喋る速さとタイピングの速さの差です。人が話す速度は1分間に300文字、タイピングは平均で1分間に150〜200文字なので、喋るほうが1.5〜2倍アウトプットが出るという話です。

しぶちょーさんが調べると、この比較は、画面に出てくる短いフレーズを打つか読み上げるかで競った実験によるものでした。つまり書き写すだけのタスクで、それなら喋るほうが速いのは当然だといいます。

しぶちょーさんによると、話す行為は、指で文字を打つよりも多くの脳のリソースを使います。考えながら口でアウトプットしようとすると、内容を考えるためのリソースを、発話のためのリソースが食ってしまうそうです。

書く場合は、それまでのアウトプットが目に見えます。喋る場合はそうはいかないため、アイデア出しは書いたほうが出ることも多いと、しぶちょーさんは説明します。

しぶちょーさん自身も、口でまとめようとすると脳に負荷がかかる感覚があったそうです。ただ、AIがうまく要約してくれるなら、とにかく喋ってしまうやり方もあるとして、音声入力とタイピングには良し悪しがあると話しています。

しぶちょーさんが音声入力に向いていると考えるのは、長いスパンで考えなくてもよいタスクです。代表例が、AIに指示を出すVibe Codingです。

AIのアウトプットを見ながら指示するなら、見たままを口で言えばいいので、打つ必要がありません。一方、かねりんさんのように本を書く作業では、音声入力はかえって疲れるかもしれないといいます。

「八方塞がりだ」と嘆くかねりんさんに、しぶちょーさんは、最初のアウトラインは手書きでもいいと勧めます。白紙に手書きすると枠がないので、いろいろな発想が出てくるからです。

しぶちょーさんは、Claude Codeへの指示で音声入力の便利さを実感したそうです。アプリで書いてコピーする必要はなく、ショートカットキーを押しながら喋れば、カーソルのある場所にそのまま文字が入ります。

手が動かせないときや、ながらでVibe Codingをするときも、AIの作業が終わったらボタンを押して喋るだけで指示が出せます。ただし、アイデア出しやブログ作成にまで使うと、脳が疲れる可能性があるとしぶちょーさんは念を押します。

しぶちょーさんが音声入力を試して感じたもう1つの懸念は、AIへの強い言葉です。キーボードで打つのではなく口に出していると、日常の会話でもつい出てしまうかもしれないといいます。

しぶちょーさんは、最近Claude Codeの性能が落ちて微妙なときがあると漏らします。かねりんさんが指示の様子を録音してほしいと頼むと、録音されていると思うと優しくなってしまうかもしれないと返します。

二人は、カフェで音声入力を使いながらAIに暴言を吐いている人がいたら怖いと笑い合います。寝不足だと攻撃的になりやすい、というSNSで見た話にも触れています。

しぶちょーさんの結論は、音声入力のときはAIに強い言葉を使わないほうが事故が減るというものです。逆に、音声入力にすれば、AIに優しくなれる可能性もあると話しています。

最後にしぶちょーさんは、よく聞くのはAquaVoiceだとしつつ、残りのツールもなるべく課金しない方向で試したいと話します。かねりんさんは、クラウドにデータが渡ることは少し嫌だとして、ローカルを使う考えを示しています。

まとめ

最新のAI音声入力ツールは、LLMで文章を整えてくれる点で従来の音声入力とは別物です。ただし、しぶちょーさんは「キーボードを捨てろ」という風潮には距離を置き、タスクに合わせた使い分けを勧めています。

• 今の音声入力ソフトは、Whisperなどで文字起こしし、LLMでフィラー除去や変換を行う
• 無料でローカルのAmical、定番のAquaVoice、スマホに強いTypeless、買い切りもできるSuperwhisperの4つが紹介された
• ShokzのOpenComm2やDJIのMic Mini 2のようなマイクがあると、小声でも入力しやすい
• 喋る速さの比較は書き写しの実験によるもので、考えながら喋ると脳のリソースを多く使い疲れやすい
• 音声入力はVibe CodingなどAIへの指示出しに向き、アイデア出しや長文の構成には書くほうがよい場合がある