この記事は株式会社ドットログによる
コンストラク体操日記 Advent Calendar 2025の 20日目の記事です。

はじめに

こんにちは、ドットログのRsmです。先日、プログラミング/アプリ開発超初心者ながら、Flutterを用いて音声入力による家計簿アプリを自作しました。その際に、「音声認識ってどうやって搭載すんの？」→「なんかspeech_to_textっていう便利そうなのあるやん！」という安直な考えで、初めてspeech_to_textを使用しました。その中で、言語側から指定する音声入力の方法や音声入力AIとの違いなど、自分として非常に勉強になった内容を以下にまとめます↓

忙しい人向けに最初にまとめ

Flutterのspeech_to_textは実装が速く、端末の音声入力をそのまま使える機能。
一方で、精度と安定性はiOSの標準音声認識（Apple Speechなど）に依存。
短文入力なら十分使えるが、長文ディクテーションや高精度な議事録は、WhisperやクラウドASR、Aqua Voiceのような専用ASRを使用するべき。

この記事の対象読者

Flutterでアプリに音声認識機能を搭載したい
speech_to_textの書き起こし精度を知りたい
アプリ開発における音声認識方法の最適解を知りたい

1. `speech_to_text` って何？

speech_to_textは 端末（OS）に備わっている音声認識機能をFlutterから呼ぶ ためのパッケージです。
公式ページでも、用途は 「commands and short phrases（短いコマンドや短文）」 が主眼で、連続変換や常時待受は想定外 と明記されています。

pub.dev: speech_to_text
https://pub.dev/packages/speech_to_text

2. iOS側の制約：導入の際に注意すべきこと

ここ重要。AppleはSpeech Recognitionについて、開発者向け資料で次のように注意しています。

音声長は「約1分」前提で計画する（one-minute limit）
Speech Recognitionは 無料だが無制限ではない（端末/アプリ単位の制限に備える）

ソース：

Apple Developer Documentation（SFSpeechRecognizer）
“Plan for a one-minute limit on audio duration.”
https://developer.apple.com/documentation/speech/sfspeechrecognizer
WWDC16 “Speech Recognition API” スライド（PDF）
“Maximum utterance duration—about one minute” / “Speech Recognition is free, but not unlimited”
https://devstreaming-cdn.apple.com/videos/wwdc/2016/509n1cnykqms19r9jyp/509/509_speech_recognition_api.pdf?dl=1
WWDC16 動画（「strict audio duration limit of about one minute」に言及）
https://developer.apple.com/videos/play/wwdc2016/509/

つまり：

speech_to_textを使って 会議30分を連続で書き起こす みたいな設計は、
分割・再接続・失敗時リトライ・UX設計 が必要になり、難易度上昇
「短文入力（フォーム補助 / 検索 / コマンドetc...）」に限定すると安定

3. 精度のベンチマーク

音声認識の精度は一般に WER（Word Error Rate：単語誤り率） で比較されます（低いほど良い）。
Voice Writerが公開している Real-World Speech-to-text API Leaderboard（2025年10月現在） は、ノイズ・訛り・専門語を含む条件で複数ASRを比較しています。

Real-World Speech-to-text API Leaderboard
https://voicewriter.io/speech-recognition-leaderboard

このページの Mean WER（全体平均）を抜粋すると、概ね次の位置づけです（※英語評価）：

系統	例	Mean WER（低いほど良い）	価格（目安）
端末（OS）	Apple Dictation	16.5%	Local
クラウド大手	Google Speech	13.1%	$0.96/hr
クラウド大手	Microsoft	10.3%	$0.18/hr
OSS（ローカル）	Whisper Large	7.2%	Local
API	GPT-4o Transcribe	5.4%	$0.36/hr

※注意：

これは 英語中心 のベンチです。日本語は評価方法が変わり得ます。
ただし「端末内蔵ASR（Apple Dictation相当）」より「Whisper/最新APIが低WERになりやすい」傾向は掴めます。

4. AI音声入力アプリ（Aqua Voice）と何が違うの？

Aqua Voiceは “アプリ横断の高精度ディクテーション体験” を提供するプロダクトで、Flutterプラグインではなく 外部ASR（API/アプリ） のカテゴリです。

Aqua Voice公式
https://aquavoice.com/
Avalon API（OpenAI互換のエンドポイント、AISpeakで97.3% accuracy等の記載）
https://aquavoice.com/avalon-api

Aqua Voice（Avalon）に関しては、評価情報が2系統あります。

(1)公式の主張

Avalon APIページでは AISpeakで97.3% accuracy を掲げています（開発者用語に特化したベンチ）
https://aquavoice.com/avalon-api
価格についてもページ内に記載があります（Free期間と、その後の$0.39/hr表記など）。

(2) ベンチマーク（Open ASR Leaderboard論文）

Open ASR Leaderboardの論文（arXiv）では、
「最上位のクローズド（商用）モデルとしてAqua Voice Avalonが6位に位置する」 と言及があります。

arXiv: Open ASR Leaderboard（本文）
https://arxiv.org/abs/2510.06961

加えてAqua Voice公式ブログでは、OpenASR上での WER平均6.24% に言及しています。

“Avalon lands at #6 on OpenASR Leaderboard”
https://aquavoice.com/blog/avalon-openasr-leaderboard

つまり：
Aqua Voice（Avalon）などの外部APIは高精度なものも多いが、アプリに組み込む場合は API連携（録音→送信→受信） の設計が前提になり、オフライン要件・レイテンシ・個人情報取り扱い・コストを考慮する必要があります。

5. 他言語のプラグインと比べてどう？

ここは自分も初心者としてよくわかっていなかった部分ですが、iOSでApple Speechにを使用する限り、FlutterだろうがSwiftだろうがReact Nativeだろうが精度は大きく変わりません。
差が出るのは主に次の要因です。

どのASRエンジンを使うか（Apple / Whisper / Google / Azure / Avalon など）
音声入力の設計（短文前提か、長文分割か、確定タイミング）
音声の条件（マイク、距離、雑音、話速、固有名詞）

つまり「Flutterだから精度が悪い」というより、
OS内蔵Speechを使う設計だから、その範囲の精度になるわけですね。

6. じゃあ結局、iOS×Flutterで何を選ぶべき？

A. 短文入力を最速で載せたい（検索/フォーム補助/コマンド）

speech_to_text
実装が超簡単、端末内蔵で手軽
iOSの「1分前提」を越える用途は設計コストが跳ね上がる

B. 書き起こし精度が最重要（議事録/長文/固有名詞）

Whisper / クラウドASR（Google/Azure等）
外部ベンチでは端末系より低WERになりやすい傾向
実装が増える（録音管理、非同期、課金、同意/プライバシー）

C. 入力体験まで最適化したい（AI用語/開発者用語/UX）

Aqua Voice（Avalon）等の専用ASR
基本は外部連携が必要になる

最後に

いかがでしたでしょうか？Flutterのみならず、アプリやサービスに音声認識を搭載したい際にはぜひ参考にしてください！