音声認識は無料で利用可能

どの開発者も、有料の音声入力アプリを見て同じことを考える。それは正しい考えである。難しい部分はすでにオープンソースで提供されており、無料で利用できる。openai/whisperはMITライセンスで公開されており、ggml-org/whisper.cppも同様である。そのREADMEでは「依存関係なしの plain C/C++ の実装」とし、「Apple Silicon 用に最適化されており、ARM NEON、Accelerate フレームワーク、Metal および Core ML で最適化されている」と記述している。両方のプロジェクトは2026年9月4日に確認済みである。今夜からあなたのMacでファイルを文字起こしすることも無料で可能だ。

したがって、このページは「あなたがそれを構築できない」と主張しているわけではない。構築は可能だ。このページが主張しているのは、音声認識が動作した後残る部分についてである。なぜなら、その残りの部分こそが製品全体であり、この比較の誠実な評価は、週末の作業と$19の差異を示す推定値だからだ。

本当に無料で得られるもの

コマンドラインは本物のシンプルさを持っている。 whisperのREADMEにある例はwhisper audio.flac audio.mp3 audio.wav --model turboであり、--language Japanese --task translateを追加することで日本語の音声を英語に翻訳することができる。これは、一行でそれほど多くの機能を提供している。

あなたがトレードオフを選べる。 READMEではモデルサイズとメモリ使用量、相対的な処理速度の表が公開されており、あなたのマシンに合ったポイントを選べる。他人のデフォルトを受け入れる必要はなくなる。このアプリはその選択を自動で行い、その選択をユーザーに提示しない。

音声入力に限定されない。 CLIは2時間のインタビュー録音、ポッドキャスト、去年3月の音声メモを文字起こしする。タイムスタンプや字幕形式を出力する。このアプリはそれらの機能を持っていない。リアルタイムで音声を入力し、既存の音声ファイルを開く手段は持たない。もし既存の録音を文字起こしたいのであれば、MacWhisperを確認してほしい。それはその目的のために構築されている。

どこでも動作する。 whisper.cppのREADMEにはmacOS（IntelとArm）、Linux、Windows、iOS、Android、WebAssembly、Raspberry Pi、Dockerが記載されている。我々はmacOS 13以降のみを提供する。

何も更新されず、誰も条件を変更できない。 MITはMITだ。これは本物の論点であり、このページでDIY側にとって最も強力な主張である。

どちらのプロジェクトも開発が進められている。 whisper.cppの最新タグリリースは2026年8月20日に発表されたv1.9.3である。openai/whisperの最新タグは2025年6月26日に発表されたv20250625である。そのリポジトリは2026年8月31日に最新のコミットを受けている。どちらも自分で確認してほしい。どちらも進化し続けている。

今後、残りの90%を構築する

これは、「文字起こしがうまくいく」状態と、「毎日60回も音声入力を使える」状態の間にある要素です。これらはすべて仮定ではなく、現実の問題です。どの作業用の音声認識ツールも、これらを解決する必要がありました。

ホットキーを割り当てて、キーを押しっぱなしで録音する。 プレストゥスタートとプレスツーストップではなく、押しっぱなしで録音する必要があります。これは、マクロの割り当てをグローバルに管理する必要があります。macOSでは、イベントタップとそれに伴うアクセシビリティの許可が必要です。 Hammerspoonが通常の答えです。MITライセンスで、2026年2月26日に1.1.1リリースされました。これは優れた選択肢です。

適切なサンプリングレートで音声を録音し、スムーズに停止する。 キーを押したときに録音を開始し、キーを離したときに停止します。また、キーが離れた時点で録音がまだ開始されていないケースも考慮する必要があります。これは、ほとんどの音声入力が1秒未満のためです。

各押下ごとに初期化コストを支払わない。 各キー押下ごとにモデルをロードするか、それはツールを日常的に使うものではなく、放置してしまいかねないものです。何かが常駐する必要があります。つまり、スクリプトではなく、デーモンを書くことになります。それには再起動、ログ、デーモンが静かに死んだことに気づくといったすべての問題があります。

録音したテキストを、元のアプリケーションに移す。 この部分は誰もが過小評価しています。macOSには2つのメカニズムがあり、どちらもすべての場面で動作しません。代替案はクリップボードを使うことになります。つまり、その後クリップボードにあった内容を戻す責任が生じ、あなたのペーストとアプリケーションが読み込む間に競合する可能性があります。

現在のアプリケーションを把握する。 テキストが存在するまでに2〜3秒時間が経ち、前のウィンドウが今話しているウィンドウでない可能性があります。通知、ビルドの完了、チャットメッセージがフォーカスを奪うなど。最終的に目的地を決める場合、最終的にプライベートな文章を間違ったウィンドウにペーストしてしまうことがあります。そのようなことが1回でも起きれば、問題です。

話している間に何かを表示する。 フィードバックがないと、ミュートされたマイクと静かなマイクを区別できません。40秒の音声入力後にその違いに気づくことになります。

文字起こしを保存する。 検索可能な場所に保存しておくことで、ペーストが誤って行われても、回復可能な不快感にとどまり、失った段落にはなりません。

動作を維持する。 これは見えない項目です。macOSの更新で許可ポップアップが変更され、Pythonのバージョンが移動して環境が壊れる、依存関係がプラットフォーム用のホイールを停止するなど。whisperのREADMEはすでに「tiktokenがプラットフォーム用のプリビルドホイールを提供しない場合、Rustが必要」と述べています。これはまさにこの道が与える火曜日の朝の問題です。

テーブル

スクリプトには6行の明確な優位性があり、最初の行は無料です。私たちの側のすべてはパイプラインであり、認識エンジンがコンサルティング商品になった時点で、音声入力ツールはパイプラインそのものです。

便利ではない2行

そのリストのほとんどは、あなたがこなせる仕事です。2行は機能ではなく、設計上の決定であり、それらは夜に書いたスクリプトには含まれないものです。

最初のものは、操作の順序です。

音声認識してから入力するスクリプトは、1つの失敗モードがあり、復元が不可能です。音声認識は成功したものの、入力は失敗し、コピーが残らなかったのです。あなたが言った文はどこにも行きませんでした。逆の順序で行うと、リスクのある部分の前で永続的なストレージに書き込むことになります。これは最初の日に意図的に決めるべきで、後から追加するにはすべての構造を変更しなければなりません。

2つ目は、目的地が選ばれるタイミングです。キーを押したときに決めるとは、あなたの話している場所にテキストが届くということです。その間、ウィンドウマネージャーが何をしていたかに関係なく、テキストはその場所に届きます。一方、挿入時（スクリプトが何も考えずに実行する場合）に決めるとは、3秒後にあなたが見ている場所にテキストが届くということです。

どちらも難しいことではありません。どちらも問題が起きたときまで気づかないのです。それがまさに、なぜこれらが無視されてしまうのかです。

実際の2週間の様子

行数を数えましょう。これは軽い日で、そのすべてが「モデルがどれだけ優れているか」ではなく、「テキストが正しい場所に届いたか、クリップボードはその後もあなたのものか、届かなかった場合はどこに保存されているか」を問う瞬間です。音声認識の品質は基本的な要素であり、無料です。このカテゴリのツールの違いは、それ以外の点にあります。

ビルトインが正しい選択肢

これは「誰も使わない」と主張しているページではありません。以下のいずれかが真であれば、作るべきです。

あなたは理解したい。 それには、自分でイベントタップを書くのが唯一の代替です。それによって、このカテゴリのすべてのツールについてより良い判断ができるようになります。

あなたには我々が提供しない何かが必要だ。 他の言語の組み合わせ、特定のモデル、フォルダ全体の音声認識、誰も販売していない出力形式、他のプロセスにフィードするパイプラインなど。スクリプトは意見を持たず、我々はいくつか持っています。

あなたはMacを使わない。 そうであれば、これは比較ではなく、あなたの唯一の選択肢です。ただし、Macを使いながら、音声で操作したいのなら、Talon はすでに存在し、無料でダウンロードできます。

あなたは楽しんでいる。 本当に最高の理由です。自分で作って理解しているツールは、買ったツールよりもあなたにとって価値があり、メンテナンスは趣味であり、税金ではありません。

もし、それらのどれも当てはまらない — つまり、今から午後から「キーを押すだけで文字が表示される」ことを望んでいるのなら — 週末は投資ではなく、価格であり、19ドル以上です。

ホストされたショートカットと、なぜそれが異なる仕事であるか

人々が選ぶもう一つの道は、ローカルのモデルを使わず、スクリプトからホストされた音声認識APIを呼び出すことです。インストールは少なくなり、正確さの問題は消えます。

しかし、それによって作る製品は変わります。OpenAIのファイル音声認識ガイド は、25MBのファイル制限を持つアップロードエンドポイントを記載しており、あなたは音声をサーバーに送るということになります。つまり、1回ごとのコスト、ネットワーク依存、そして何が保存されるかについての質問が、あなたの責任になります。それらは、誰かのプライバシーページで読むのではなく、あなた自身が答えなければなりません。

コミットメッセージを音声入力するには、まったく問題ありません。しかし、NDAの下で何かを音声入力するには、ローカルカテゴリが存在する理由です。そして、これは意図的に選ぶべきであり、スクリプトの最短経路として選ぶべきではありません。

保守台帳

誰も開始前に見積もりしない数字なので、書き留めておく価値がある。

手作りの音声入力セットアップには、4つの独立して更新される要素がある： 音声認識エンジン、そのエンジンに必要なランタイム、キーバインディングを行うもの、そしてmacOS。それぞれが個別に問題ない。問題は接続部分にある。そして、問題が最も悪化するタイミングにやってくる — それは「暇な夜」ではなく、「会議前の返信を念入りに音声入力している朝」である。

これらの問題にはパターンがある。macOSのアップデートによってアクセシビリティの許可がリセットされ、キーボードが動作しなくなり、その理由が分からない。Pythonのバージョンが環境の下で移動し、依存関係が解決しなくなる。モデルファイルが再インストール後に別の場所に配置される。あなたが押すたびに起動コストを回避するために書いたプロセスが木曜日に静かに終了し、月曜日に気づく。

これらはどれも簡単に修正できる。それぞれが20分程度で、年数回起こる。コストは20分ではない — あなたの音声入力ツールが予測できないように信頼性を欠いていることである。それが信頼できない原因であり、使用を止めてしまう原因である。1日60回使うツールは、それが平凡であるからこそである。

$19という金額に対して、この計算は本当に金銭についてではない。それは誰が土曜日に所有しているかについてである。

実際の精度が依存する要素

このページの両側に共通する注意点である。これはこのカテゴリ全体で最も一般的な間違いである。

DIY版を構築する人々は、通常、モデルの選択に多くの労力を費やす — どのサイズ、どの量子化、どのフォークを選ぶか。これは頭の回転に余地が最も少ない軸である。中程度のモデルと大規模モデルの間で、クリアな音声を適切なマイクで録音した場合、普通の文章における差は小さすぎて、測定しない限り気づかないだろう。

気づくのは、他の人がいる部屋でのラップトップマイク、ファンの動作、そして文末に終わる習慣である。これらの修正には、このページのどちらかのオプションよりも少ないコストで、どちらにもより多くの改善をもたらす。もし週末を費やす前に金を費やすなら、マイクに費やすのが良い。

モデルよりも重要となるのは、言葉が存在した2秒後の処理 — ルーティング、バックアップ、クリップボード、保存されたコピーである。これはこのページを通してずっと話してきた部分であり、ベンチマークが測定しない部分でもある。

実際に販売しているものは何か

音声認識エンジンではない。エンジンはこの製品のコンサミティ部分であり、あなたのスクリプトのコンサミティ部分と同じである。このページの読者にとって、そうではないと装うことは透明な無駄である。

$19で買えるのは、決定事項である：キーボードを押しながら動作するキーバインディング、キーボードを押したときに目的地がロックされる、アクセシビリティ経路を通じて挿入し、貼り付けがバックアップとしてのフォールバックとなり、その後クリップボードが元に戻る、エンジンが検討される前に文字起こしが記録される、検索可能なローカル履歴、レベルメーター付きの薬丸で音が聞こえているか確認できる、そしてmacOS 27がその下で何かを変更した場合、修正するのは私たちの朝であり、あなたの朝ではない。

何もないがアップロードされる — 音声も文字起こしも。モデルの重みは一度、パブリックなモデルホストから取得され、その後はネットワークをオフにしてでも動作する。価格は3台のマック向けに$19で、アップデート込み、再購入は一切ない。試用版はアプリ全体の30日間、カードもアカウントも不要で、この比較を正直に実行する方法である。あなたのスクリプトを構築し、試用版をその隣で実行し、どちらを手に取るかを見極めよう。

作るなら、この順序で作る

作るつもりの人たちへの無料アドバイス。高価な発見が早めに起きるように、週3日目に起こらないようにするためのアドバイス。

まず、resident processを動かすようにして、他のことよりも先に実行する。そうすることで、実際のレイテンシーを測定できるようになり、モデルのロード時間ではなく、実際のパフォーマンスがわかるようになる。次に、キーダウン時に目的地を決め、それを貫くようにする。後からリファイティングするには、ルーティングを再構築しなければならないからだ。その後、文字起こしをファイルに書き出すこと。それから、挿入を試みる。クリップボードの保存と復元を行い、最も使いにくいアプリケーション、つまりターミナル、Electronアプリ、ウェブフォームでテストする。テキストエディタのようなTextEditでは、何でも対応するので、テストには不適切だ。

最後に、視覚的なフィードバックを実装する。それは見た目に見え、ツールが使いやすいようにする重要な要素である。後ろで実装することで、ツール全体がどれだけの労力を要するか、正直に確認できるようになる。

作るより買うのがいいが、私たちの製品ではない場合

それは理解できる。このカテゴリには選択肢が豊富だ。 superwhisperはローカルファーストのMacアプリで、機能の幅が広い。 MacWhisperは、ファイルの文字起こしが重要である場合に見るべきアプリだ。 Murmurは、自分のスクリプトではなく、他人のスクリプトを使用したい場合に無料でオープンソースの選択肢だ。 VoiceInkは、同じジャンルの大きな有料Macアプリだ。 もし、モデルが単にあなたの言葉を文字起こしするのではなく、あなたの言葉を理解するような機能を求めるのであれば、 それはまったく別のツールの話です。

関連記事

• cancel-a-dictation-subscription-safely
• coii-voiceinput-vs-wispr-flow
• do-dictation-apps-work-in-password-fields
• does-a-dictation-app-change-what-you-said
• does-apple-dictation-work-offline