韓国・済州で、Mac向けの音声入力アプリを個人に近い体制で作っています。話すと、いまカーソルがあるアプリに文字が入る種類のアプリです。認識はすべて端末内（Apple Silicon）で、Qwen3-ASR を標準、Whisper を選択式にしています。
この記事では、製品の紹介ではなく、組み込みで実際にはまった点を3つ書きます。
1. 公開WERのランキングは自分の音声では再現しなかった
言語ごとにモデルを選ぶとき、最初は公開ベンチマークのWERを見て候補を決めました。ところが実マイク・実際の話し方でA/Bを取ると、順位が予想と入れ替わる言語がありました。
いまは「実音声でA/Bしていないモデルは採用しない」をルールにしていて、専用モデルを使っているのはヒンディー語とタイ語だけです。他は汎用モデルのほうが良かった、というのが実測の結論でした。
2. 語彙ヒントは無音で「復唱」される
固有名詞対策として、ユーザー辞書をデコーダへのヒントとして渡していました。すると、ほぼ無音の区間でモデルがヒントの単語をそのまま出力し、さらに処理が詰まることがありました。ログ上は最悪で 282 秒の遅延です。
対策は単純で、S/N比が足りない音声にはヒントを渡さない、無効と判定した転写は捨てる、の2点です。「遅い」という報告が来たら、まずログの出力内容を見るようになりました。
3. 言っていない文が出てくる
35日分のログを調べると、自前で韓国語向けに追加学習したモデル（Qwen3 ベース）が、無音時に学習データ由来の例文を出していました。学習データに無音の例がほとんどなかったのが原因です。テキストのフィルタで弾こうとしても、別の定番文に移るだけで抜けます。ベースの Qwen3 では出ていません。
使い方の話：AIコーディングツールに口頭でプロンプト
自分がいちばん使うのは、ターミナルの Claude Code に長い指示を口で伝える使い方です。「自動Enter」をオンにすると話し終えたら送信まで進みます。説明を省かなくなるので、プロンプトの質も上がりました。
制約
Apple Silicon・macOS 15以上のみ。録音ファイルの文字起こし用途ではありません。日本語を含む21言語に対応しています（うち8言語は今週追加したベータ）。
このアプリは Sorimac という名前で配布しています（買い切り $9.99、3日間無料）。https://sorimac.com/ja/?utm_source=qiita&utm_medium=community