はじめに
Macに最初から入っている音声入力をやめて、Aqua Voice に乗り換えました。
ちなみにアフィリエイトや回し者ではないです。
- 認識の精度がMac標準とは別物で、話した内容をほぼ直さずに使える
- 辞書に固有名詞を登録でき、ショートカットキー1つで呼び出せ、話すほど育つペットまで付いている
- 話すとAIに渡せる文脈が一気に増えるので、AIの回答が良くなり、体感で仕事が1.2倍になった
対象読者: 音声入力を試したけれど精度にがっかりしてキーボードに戻った人、AIへの指示を毎日打っている人
自分はこれまで、Mac標準の音声入力をときどき使っては「やっぱり打ったほうが早い」と戻る、を繰り返していました。Aqua Voice に替えてからはキーボードを打つ時間が目に見えて減り、AIへの指示はほぼ声になっています。何がそんなに良いのか、順に書いていきます。
参考文献
Aqua Voice の公式ガイドです。辞書・置き換え・カスタム指示など、機能ごとの説明があります。
Mac標準の音声入力との比較を、開発元がまとめたページです。開発元の主張なので、その前提で読むのがよいと思います。
話すほど育つペット「Aqua Pet」の公式ページです。
Mac標準の音声入力で何に困っていたか
Mac標準の音声入力は、追加のインストールなしで使えるのが強みです。ただ、自分の使い方では精度が足りませんでした。
困っていたのは、話した後に直す手間です。仕事で使う言葉はカタカナのツール名や英語の略語が多く、それが別の単語に化けます。話す → 画面を見る → 間違いを探す → 手で直す、を繰り返していると、最初からキーボードで打ったほうが早い。これで何度も音声入力を諦めました。
音声入力に一度がっかりした人ほど、「音声入力なんてこんなもの」と思っていませんか？ 自分もそうでした。結局、音声入力という方式ではなく、認識するエンジンの性能が足りなかっただけでした。
Aqua Voiceとは
Aqua Voice は、話した内容をカーソルのある入力欄にそのまま入れてくれる音声入力アプリです。Mac ではマイクとアクセシビリティの権限を許可すると、ほとんどのアプリで使えます（一部のアプリや入力欄は挿入に対応していません）。Mac・Windows に加え、iPhone・Android 版もあります。日本語にも対応しています。
認識の主力は、開発元が自社で学習させた音声認識モデル「Avalon」です（アプリの設定では、アカウントによってほかのモデルも選べます）。このモデルはサーバー側で動くため、使うにはネット接続が要ります。Mac標準の音声入力は対応する環境なら端末の中で処理できるので、ここは大きな違いです（後の「合わなかった点」でもう一度触れます）。
神ポイント1、とにかく精度が高い
一番の理由はこれです。話した内容が、ほぼそのまま文章になります。句読点も自動で入るので、話し終わった時点で「そのまま送れる文章」になっているのが大きい。
数字で見ると、9to5Mac の記者が同じ文章を Mac標準の音声入力と Aqua Voice で同時に読み上げた比較があります。誤りの数は Mac標準が17、Aqua Voice が1でした。
ただし、この比較は英語の文章で行われたものです。日本語で同じ比較をした結果は手元にありません。自分の体感では、日本語でも差ははっきりしていて、Mac標準のときのような「話す → 直す」の往復がほとんど無くなりました。
神ポイント2、固有名詞や変換を自分用に育てられる
精度が高くても、社内のツール名やプロジェクト名、人の名前は知らなくて当然です。Aqua Voice では、こうした言葉を辞書に登録できます。やり方は、アプリの Dictionary 画面の上の入力欄に単語を入れて「+ Add」を押すだけです。
これで、毎回同じ単語を直す作業が消えました。よく使う言葉ほど何度も出てくるので、1つ登録するだけで効き目が大きい。
変換のカスタマイズは、ほかにも2つあります。
| 機能 | できること | 使いどころ |
|---|---|---|
| 置き換え（Replacements） | 決めたフレーズを話すと、登録した長い文章に展開される | メールアドレス、署名、毎回使うプロンプトの定型文 |
| カスタム指示（Custom Instructions） | 出力の書き方のルールを自然文で指定する | フィラー（「えー」「あの」）を消す、メール向けの改行にする |
公式ガイドによると、辞書・置き換え・カスタム指示は Aqua CLI を使ってターミナルやコーディングエージェントからも編集できるそうです。CLIはこの記事では試していないので、使い勝手は未検証です。
機能によって使えるプランが違うので、使う前に公式の料金ページで確認するのが確実です。
神ポイント3、ショートカットキー1つで呼び出せる
音声入力が続くかどうかは、呼び出しの手軽さで決まると思っています。Aqua Voice は Mac なら初期設定で Fn キーに割り当てられていて、どのアプリにいてもキー1つで話し始められます。
呼び出し方は2通りあります。
| 呼び出し方 | 操作 | 向いている場面 |
|---|---|---|
| 押している間だけ（初期設定の Instant Mode） | キーを押している間だけ聞き取り、離すと入力される | Slackの返信など、短い一言 |
| ハンズフリー | キーを2回押すと手を離して話し続けられ、もう1回押すと終わる | AIへの長い指示、文章の下書き |
ハンズフリーで話している途中から文字が入っていく Realtime Mode という機能もありますが、こちらは上位のプラン向けで、プランによっては使えません。言語設定を自動判定（Auto-Detect）にしているときも、デスクトップ版では Realtime Mode ではなく Instant Mode で動きます。使えるかどうかは公式の料金ページで確認するのが確実です。
キーは別のものに割り当て直せて、複数のキーを登録することもできます。右のコマンドキーに割り当てている例は、こちらの記事に設定画面付きで載っています。
この記事でもモードが2つあることと、話し終わると自動でテキストが貼り付けられる体験の良さが書かれていて、自分もまったく同じところが気に入っています。コピーして貼る手間が無いので、「話す」と「入力する」の間に段差がありません。
神ポイント4、話すほどペットが育つ
これは精度とは関係ないのですが、続ける理由として地味に効いています。Aqua Voice には Aqua Pet という、デスクトップに住むドット絵のペットがいます。話し終わると、このペットが話した言葉を入力欄に投げ込んでくれます。
話した量や連続して使った日数に応じて、帽子・手持ち・色などのアイテムが解放されていきます。上の画像は自分の画面です。左上を見ると、今週だけで16,988文字を声で入力していました。キーボードで打っていたら、これだけで指が終わっています。
「1日で2,000文字」でヘッドホン、という具合に目標が見えるので、つい話す量を増やしたくなる。仕組みとしてはゲームのやり込み要素と同じで、まんまと乗せられています。ペットが邪魔なときは画面の右下にドラッグすれば隠せます。
話すとAIへの指示が良くなる
ここがこの記事で一番伝えたいところです。音声入力の価値は、打つ時間が減ることだけではありません。AIに渡せる文脈の量が増えることです。
キーボードで打つと、人は無意識に指示を短く削ります。たとえば次の2つを比べてみます。
このSQL遅いから速くして
このSQL、日次のバッチで動かしているんだけど、最近データが増えてきて30分くらいかかるようになってる。
集計の結果は翌朝のレポートで使うだけなので、リアルタイム性は要らない。
テーブル定義は変えたくなくて、クエリ側で直せる範囲で考えてほしい。
ただ、結果が1行でもずれると困るので、速くした後に元のクエリと件数を比べる方法も教えて。
下のほうを打つのは面倒ですが、話すなら20秒です。AIは書かれていない背景を知りようがないので、後者のほうが的外れな提案が減ります。以前書いた記事で、ドメイン知識や現場の事情は「背景を自分が共有しない限り、AIからはまず出てきません」と書きました。音声入力は、その共有のコストを一気に下げてくれます。
同じことを感じている人は多いようで、こちらの記事では「AIに『これをこういう前提でやって』と説明する」のが仕事の中心になっているのに、それを毎回キーボードで打っている面倒さが出発点になっています。4つの音声入力アプリを比べた末に、Aqua Voice に落ち着いた経緯が詳しく書かれています。
自分の「仕事が1.2倍」も、打つ時間が減った分より、AIの1回目の回答が良くなって往復が減った分のほうが大きいと感じています。計測した数字ではなく体感ですが、もうキーボードだけの頃には戻れません。
合わなかった点・向かない場面
良いことばかり書いたので、気になった点も書いておきます。
1つ目は、話すこと自体に慣れが要る点です。こちらの記事では、話すたびに結果を確認してしまう問題と、「文章として話す」ことの難しさから、まだ生産性が上がったとは言えないと書かれています。
これはよく分かります。慣れるまでは、完成した文章を話そうとせず、AIへの指示やメモのように「多少崩れていても相手が読めればいい」場面から使うのがおすすめです。AIは話し言葉の多少の乱れくらいは汲み取ってくれるので、練習台としてちょうどいい。
2つ目は、使う場所を選ぶ点です。静かなオフィスや電車の中では、さすがに声を出しにくい。自宅や会議室など、話せる場所で使うのが前提になります。
3つ目は、音声がサーバーで処理される点です。Mac標準の音声入力は、対応するMac・言語・設定なら端末の中で処理できますが、Aqua Voice はネットの向こうで文字起こしをします。さらにプライバシーポリシーによると、Privacy Mode をオフにしていると、製品改善のために文字起こしのデータがサーバーに保存されることがあります。オンにすると文字起こしのデータは収集されません（時刻や端末の種類などの利用情報は集められます）。
社外秘の情報を話すなら、Privacy Mode をオンにしたうえで、会社のルールで外部サービスに送ってよいかを先に確認したほうが安全です。公式ガイドには SOC 2 Type II についてのページもありますが、これはセキュリティ管理の監査を受けているという意味で、データを保存しないという意味ではありません。
まとめ
Mac標準の音声入力で諦めた人にこそ、Aqua Voice を試してほしいと思っています。精度が高いので直す手間がほぼ無く、辞書で自分の言葉を覚えさせられ、キー1つで呼び出せる。ペットが育つのも、地味に続ける理由になります。
そして一番の変化は、AIに渡す指示が長く具体的になったことでした。打つのが面倒で削っていた背景を、話すなら削らずに済みます。
次は、日本語で Mac標準と Aqua Voice に同じ文章を読み上げさせて、誤りの数を比べてみるつもりです。結果が出たらこの記事に追記します。音声入力をAIへの指示に使っている人がいたら、どんな使い方をしているかぜひ教えてほしいです。