音声入力でAIエージェントを動かすアプリを作ったんだなも

アウトライン

• 前回記事
• はじめに
• 1. Super Whisper & Aqua Voice
• 2. Open Super Whisper V2
• まとめ
• リンク集

前回記事

はじめに

会話型 AI エージェント – あなたの声を行動に変える

2025 年現在、音声入力ツールは急成長中です。代表例は Super Whisper と Aqua Voice。本記事では、まずこの 2 サービスを俯瞰します。

両者は 音声 → テキスト で終わりません。文字起こし直後に LLM が要約・翻訳・体裁調整 を自動実行します。入力から文章加工までがワンストップです。

続いて、今回リリースした Open Super Whisper V2 を紹介します。V2では OpenAI Agents SDK を採用。それに伴い、MCP (Model Context Protocol)に対応。声だけで 様々なツールを持つ AI エージェント を操れる新体験を実現しました。

1. Super Whisper & Aqua Voice

紹介動画

Introduce "Super Whisper" by KEITO

Introduce "Aqua Voice" by taishiyade

共通ポイント

• 音声→テキスト→LLM 文章加工 を一気通貫で提供
• アプリ・クリップボードから文脈を取得し、出力を自動フォーマット
• “キーボードレス”なワークスタイルを実現

サブスク費用

項目	Super Whisper	Aqua Voice
Pro 料金	$8.49 / 月	$10 / 月

2. Open Super Whisper V2

2.1 コンセプト

「あなたの声を行動に変える」

• エージェント処理: AI エージェントは、単純な文章加工に留まらず、複雑なタスクを実行
• MCP 連携: Playwright などの外部ツールをエージェントに組み込み可能

2.2 4 ステップ処理フロー

🎤 音声入力 → 📝 文字起こし → 🤖 エージェント処理 → 📋 結果出力

1. 🎙️ 音声入力 – グローバルホットキーで即録音開始
2. 📝 文字起こし – OpenAI の Speech to text API を利用した文字起こし
3. 🤖 エージェント処理 – OpenAI の Agents SDK を利用した要約・検索・画像解析などを実行
4. 📋 結果出力 – Markdown で整形し、自動クリップボード保存

2.3 活用例

Open Super Whisper V2 には サンプルとして 6 つのエージェントが初期設定済

ホットキー	初期タスク例	活用シーン
Ctrl ⇧ 1	文字起こし	会議・講義・ボイスメモを即テキスト化
Ctrl ⇧ 2	文書作成	"○○についてフォーマルなメールを書いて" → 体裁済メール草稿を生成
Ctrl ⇧ 3	検索キーワード生成	長い質問を要約し、最適な Web 検索ワードを抽出
Ctrl ⇧ 4	テキスト Q&A	クリップボードの文章を読み取り、要約＋質問回答
Ctrl ⇧ 5	画像 Q&A	クリップボード画像を解析し、内容説明や洞察を提示
Ctrl ⇧ 6	Web オートメーション	Playwright MCPでサイト巡回・データ収集・フォーム記入などを自動実行

📝 活用例 1：テキスト Q&A エージェント（ctrl+shift+4）でメール返信作成

1. シーン：受信したメールに対する返信の下書きを作成したい
2. 操作：
   • 返信したいメールの本文をコピーしてクリップボードに保存
   • ホットキー ctrl+shift+4 を押す
   • 「このメールに対して、会議日程の調整に応じる旨の丁寧な返信を作成して」と話す
   • 再度ホットキーを押す
3. 結果：
   • 元のメール内容を踏まえた適切な返信文が生成
   • 自動的にクリップボードにコピー（設定による）
4. 活用：メールアプリに貼り付けて、必要に応じて微調整後に送信

🔍 活用例 2：画像 Q&A エージェント（ctrl+shift+5）でグラフ分析

1. シーン：図や表を分析したい
2. 操作：
   • 分析したいグラフやチャートをスクリーンショットしてクリップボードにコピー
   • ホットキー ctrl+shift+5 を押す
   • 「この売上グラフの傾向を分析して、来月の販売戦略を提案して」と話す
   • 再度ホットキーを押す
3. 結果：
   • 画像内容を AI が解析
   • グラフデータに基づいた詳細な分析レポートと具体的な提案が生成
4. 活用：プレゼンテーション資料や戦略会議での意思決定に活用

🌐 活用例 3：Web 自動操作エージェント（ctrl+shift+6）で情報収集

1. シーン：競合他社の最新情報を自動収集したい
2. 操作：
   • ホットキー ctrl+shift+6 を押す
   • 「AI 業界の最新ニュースを検索して、今週の重要なトピックを 3 つ選んで要約して」と話す
   • 再度ホットキーを押す
3. 結果：
   • Playwright が自動的に複数の Web サイトを巡回
   • 最新ニュースを収集・解析
   • 重要度順にランキングした要約レポートを生成
4. 活用：週次レポートや市場動向分析として業務に活用

2.4 OpenAI API・SDK の利用

Open Super Whisper V2 は、OpenAI Speech to text API, Agents SDK を活用

(1) Speech to text API

利用可能な STT モデルの一覧とその概要

モデル	特徴
gpt-4o-transcribe	最新の文字起こしモデル。最も高精度
gpt-4o-transcribe-mini	軽量版。リアルタイム用途向き
whisper-1	従来の文字起こしモデル

(2) Agents SDK

利用可能な LLM モデルの一覧とその概要
※ Anthropic, Geminiには、LiteLLM経由で接続

モデル	プロバイダー	代表的な用途
gpt-4.1	OpenAI	専門的なコーディングモデル。精度と実用性のバランスが良い
gpt-4o	OpenAI	マルチモーダル対応。音声・画像・テキストを扱える汎用モデル
o3	OpenAI	最新の推論モデル。複雑な問題解決やコーディングに最適
o1	OpenAI	思考連鎖型推論モデル。研究・戦略立案・数学・科学に強い
claude-opus-4	Anthropic	世界最高峰のコーディングモデル。長時間の複雑な作業に対応
claude-sonnet-4	Anthropic	コスパ重視の高性能モデル。指示への追従性が高い
gemini-2.5-pro	Gemini	Deep Think搭載の高度推論モデル。数学とコーディングに優れる
gemini-2.5-flash	Gemini	価格性能比No.1。トークン効率が良く調整可能な推論機能付き

2.5 インストール & 使い方

1. 最新リリースをダウンロード
2. 立ち上げて、OpenAI API キーを設定
3. 録音 → AIエージェントが動く！

詳細は マニュアル を参照

まとめ

• Super Whisper / Aqua Voice が示すとおり、音声入力は LLM 連携で“文章加工”まで自動化 するフェーズへ
• Open Super Whisper V2 は エージェント処理まで自動化することで音声を行動に変換 でき、MCP連携によりツールの拡張性も◎

会話型 AI エージェントであなたの声を行動に変える—そんな未来を体験しませんか？

リンク集

• Super Whisper:

• KEITOチャンネルの Super Whisper 紹介動画:

• Aqua Voice:

• taishiyadeチャンネルの Aqua Voice 紹介動画:

• MCP 仕様:

• MCP 公式サーバー集:

• Awesome MCP Servers:

• Playwright MCP:

• OpenAI Agents SDK:

• LiteLLM - OpenAI Agents SDK:

• OpenAI Speech-to-Text API:

• Open Super Whisper V2:

• マニュアル - Open Super Whisper V2:

• README - Open Super Whisper V2:

• リリース - Open Super Whisper V2: