アプリは何の邪魔もしない設計です。ホットキーを押しながら言葉を話し、放します。テキストは使用中のフィールドに入ります。モーダルウィンドウなし、ダイアログなし。テキストをどこに送るか事前にクリックして決めるだけ。
早速の返信ありがとうございます。修正したファイルは来週中にお送りします。
音声入力の3つの段階
開始前: テキストを入力したいフィールドをクリックします。メール、メモ帳、コードコメント、検索ボックス、Mac上の任意のテキストフィールドで構いません。光標が見えなくてもアプリがあなたの焦点を検出します。ホットキーの設定を済ませておくと、すぐに入力開始できます。
話している間: ホットキー（デフォルトは Option + Space）を押しながら言葉を話します。画面の隅に半透明のピルが現れ、音量レベルを示すメーターが表示されます。話すに従ってメーターが上下するのが見え、マイクが音を聞いていることが確認できます。ホットキーの競合は避けたいので、他のアプリケーションと重ならないか確認してください。
キーを放した後: キーを離します。音声は停止し、完全なトランスクリプトはすぐに履歴に書き込まれ、エンジンがそれを処理し、文字がフィールドに表示されます。話し終わってから約0.5秒でテキストが届きます。
アーキテクチャ：単語を最初に保存、その後に出力
クラウド音声入力とは異なり、このアプリはエンジンが何かを処理する前にテキストをディスクに書き込みます。履歴の行はキーを放した瞬間に存在し、単語は安全に保存されます。その後でエンジンがテキストを処理してフィールドに送信します。
つまり、ネットワークが遅い場合、エンジンが過負荷状態の場合、またはパイプラインのどこかでクラッシュした場合でも、トランスクリプトは依然として残ります。
マイクは常に閉じている
会話していないときは何も聞いていません。マイクはキーを押して放している間だけ開きます。これはホールドモード — デフォルトで最も安全です。設定でトグルモードに変更することもできます。トグルモードでは1回押してから放して開始し、もう一度押して停止します。しかしホールドモードはキーを放すことで常に停止するため、より安全です。
ホールドモードでは、マイクが開く唯一の方法はあなたが選択したホットキーの組み合わせを積極的に押すことです。バックグラウンドリスニングなし、ウェイクワードなし、沈黙のための自動終了なし。あなたがコントロールするキーがマイクの門であり、他には何もありません。
トランスクリプト：2つのバージョンが保存される
アプリは2つのトランスクリプトを保存します。正確に話された単語と、処理ルールを適用した後のバージョンです。両方とも履歴に表示されます。生のバージョンでは、後処理が誤った場合、元の言葉を復元できます。
処理は固定パイプラインです。重複削除（つまり、吃音の除去）、オプションのフィラー削除（「えっと」や「あの」を削除 — デフォルトではオフ）、カスタム辞書の適用、句読点とスペースの追加。それだけです。AI は一度も呼ばれず、誰かのフレージングの改善、文法の修正、文字列のリハブは行いません。あなたの単語は、あなたが選んだルールで処理されます。
フィラー削除がオフの場合、「えっと」や「ああ」は生のトランスクリプトに残ります。後で削除したいことに気付いた場合は、フィラー削除をオンにして履歴から行を再処理します。両方のバージョンが更新され、何も削除されません。
テキストはどうやって到達するか：アクセシビリティ API またはペースト
テキストは macOS アクセシビリティ API 経由で、それをサポートするアプリのフィールドに到達します。ほとんどの最新アプリはサポートしています。アクセシビリティ API は、スクリーンリーダーや音声入力ツールなどの支援ツールがアプリケーションとやり取りする macOS の標準インターフェースです。音声入力アプリはキーボードと同じようにテキストを送信します。
アプリケーションがアクセシビリティ API をブロックしている場合 —— 一部の古いまたは特別にサンドボックス化されたツール —— アプリは合成ペーストを試します。いずれの場合でも、テキストはあなたのカーソルが置いてあったフィールドに到達します。
パスワードマネージャーや一部の端末エミュレーターなど、セキュリティ上の理由からペースト機能をブロックするアプリケーションもあります。アプリはこれを処理するため、最初にアクセシビリティ API を試し、失敗した場合はダイアログを表示して、テキストが着地しなかった理由を知らせます。
Mac の任意のテキストフィールドで機能
サポートされているアプリケーションのリストはありません。つまり、アプリはそれを必要としません。Mac 上でテキストを受け入れる任意のテキストフィールドで音声入力が機能します。メールクライアント、チャットとメッセージング、Web フォーム、メモ作成、コードエディタ、ブラウザ、あるいは何か他のテキスト入力を受け入れるものでも構いません。
唯一の要件は、フィールドが通常のテキスト入力を受け入れることです。キーボードで入力できるものなら、音声入力でも入力できます。
精度：辞書とマイク
アプリが単語を聞き間違えた場合、2つのことを確認してください。最初に辞書に追加してください。アプリは学習しませんが、入力時のヒントとして、また転写後のルールとしてエントリを適用します。これは、段々と自分の話し方を学ぶツールとは異なります。あなたの辞書は明示的で、このマシンに留まります。
次に、マイクを確認してください。静かな環境、騒々しい環境、または音声認識ではなく音声通話用に設計されたマイクは、モデルパラメータよりも精度に大きな影響を与えます。マイクはトランスクリプション精度の最大の要因です。オンデバイス音声認識の場合、マイクの品質が最も重要です。
辞書エントリを追加するには、アプリ設定を開いて辞書セクションを探します。用語と置き換え（ある場合）を入力すると、今後のすべての入力に適用されます。エントリは単語境界でチェックされるため、「AI」は「AI」に一致しますが「claim」や「fail」には一致しません。
停止と再開
1回のキー操作は1つの音声入力で、1つの履歴行です。段落の中で暫定的に中断する必要がある場合、キーを放してからもう一度押します。それぞれのプレスは独自のタイムスタンプと転写を持つ別の行です。
入力がフィールドに貼り付けられなかった場合 —— ネットワークが遅かった、アプリがクラッシュした、または他の理由で —— トランスクリプトはまだあなたの履歴にあります。その行をタップすると、完全なテキストが表示されます。手動でコピーして貼り付けるか、ボタンをタップして現在のフィールドへの送信を再度試行できます。
トランスクリプションが間違った場合
アプリが聞き間違えて、間違った単語がフィールドに到達した場合、複数の選択肢があります。
1つ目は、元に戻してもう一度試すこと。 Cmd-Z を押してペーストを取り消し、その後もう一度入力します。一般的には最速です。
2つ目は、手動で修正すること。 テキストをそのまま修正します。時には再入力するより速いです。これは、特に短い段落や簡単な修正の場合は、実用的な選択肢です。
3つ目は、履歴から再処理すること。 履歴パネルを開き、行を見つけ、それをタップして生のトランスクリプトを選択し、別の設定で再処理します。例えば、フィラー削除設定を変更して再処理することができます。
4つ目は、辞書をチェックすること。 この単語が専門用語または名前の場合、辞書に追加して次回の入力時に適用させます。
何も失われません。生のトランスクリプトと処理後のトランスクリプトはあなたの履歴にあります。
履歴と回復
すべての音声入力は履歴に記録されます。時間、期間、トランスクリプト（生と処理後両方）、ターゲットアプリケーション、ペーストが成功したかどうかが表示されます。履歴では何を言ったかを確認したり、何かが間違った場合にテキストを復元したり、新しい設定で入力を再処理したりできます。
入力がフィールドに到達しなかった場合 —— 焦点を失った、ネットワークが遅い、またはアプリがクラッシュした —— トランスクリプトはまだ履歴にあります。タップするとその行が完全なテキストを表示します。手動でコピーして貼り付けるか、タップしてアプリが新しいフィールドへの送信を再度試行させることができます。
これが単語を最初に書き込む理由です。モデルのタイムアウト、ネットワークの遅延、または到達しなかったペーストは、あなたの単語を失うことができません。レコードが存在する前に何も悪い方向に進むことができません。
ワークフロー内での音声入力
すべてに音声入力を使う必要はありません。多くの人がそれを最初の下書き、返信が必要な場合、またはタイピングが便利でない場合に使用します。何人かは、コメントやコミットメッセージのために使用します。他の人は、技術的なドキュメントまたは長編記事を入力し、その後手動で編集します。Wispr Flow との比較も参照してください。
最初は低リスク —— 友人へのメッセージ、メモ —— から始めて、リズムを感じてください。マイクは あなたがキーを押している間聞き、ポーズは自然で、一言も述べずに圧力はありません。一時停止、呼吸、続行、各文は整理されています。
アプリは完全にあなたのマシン上で実行されるため、何も上げられず、どんな何も待つ必要がありません。キーを離したその瞬間から、あなたの単語はローカルで転写され、フィールドに書き込まれています。これにより、音声入力は多くの場合、クラウドサービスが提供するものより即座に感じています。
スピードと実用性
トランスクリプションはキーを放してから約0.5秒かかります。短い文や返信の場合、これは高速です。段落を構築している長いコンテンツの場合、ワークフローは 1 文を入力、放す、何が到達したかをレビュー、次を入力することができます。または、1 回で段落全体を入力し、すべて着地させ、必要に応じて編集します。
最も重要な速度メトリックは転写レイテンシではなく、スループットです —— 1 回のセッションでどのくらいのテキストを生成できますか。一部の人は、0.5秒のレイテンシを考慮しても、話す速度でテキストを生成できることに気付きます。他の人は、特定のタスクでは音声入力が良く、他のタスクではタイピングが良いことを発見します。
セットアップは簡単です。キーを押して話す。キーを離して到達します。時間とマイクがあれば、試して、あなたのワークフローに適しているかどうかを見てください。
ノートパソコンでの使用
Mac ノートパソコンの場合、キーボードは常に利用できます。Option キーと Space キーにアクセスできます。Option キーはノートパソコンのキーボードの左側にあり、Space バーは常に簡単にアクセスできます。あなたの手の位置によっては、Option+右括弧や Ctrl+\ のような別のキーの組み合わせを選択する方が便利かもしれません。
最初から、デフォルト Option+Space を試してください。不快または何かと競合する場合は、設定に移動して別のキーの組み合わせを選択します。変更は即座で、何か再起動や再設定は必要ありません。
リズムへの慣れ
音声入力はタイピングではありません。リズムが異なります。文と段落で考えます。大文字小文字、句読点、スペースについては心配がありません。アプリはそれを処理します。あなたの仕事は自分の考えを話すこと、アプリの仕事はそれらを記録することです。
多くの人は、自分の考えを述べることで、実は、自分の考えを明確にしていることに気付きます。キーボードの前で止まるところで、音声入力はあなたを続けさせます。あなたは話し続け、単語は蓄積します。これは、特に最初の下書きでは非常に強力です。目標は磨きではなく、音量と速度です。