音声入力 編集不要で

音声入力の問題は、これまでコンピューターがあなたの声を聞き取れないことではありませんでした。ちゃんと聞こえています。問題は、あなたが言ったことをそのまま書き起こしてしまうことです。そして、人がその場で口にする言葉は、文章の見た目とは違います。

あなたは文を言い始め、途中でそれが違う文だと判断して言い直します。考えている間に「ええと」と言います。自分で言い直します。文字どおりの書き起こしはそれらを忠実に残し、あとで自分で直さなければならない段落を渡してきます。多くの人にとって、その編集にかかる時間は、最初から টাইピングしていたのと変わりません。

このガイドは、その差を埋めることについてです。何が原因なのか、何が解決にならないのか、そして何が解決になるのかを見ていきます。

文字どおりの書き起こしが手間を生む理由

これを普通の速さで声に出して言ってみてください。「だから、ええと、ロードマップのレビューを — いや、木曜日にずらせますか？」

文字どおりの書き起こしは、そのままを書きます。本当に欲しかったのは、「ロードマップのレビューを木曜日にずらせますか？」です。

音声入力した段落には、こうした要素が何らかの形で必ず含まれます。人が最初に試す解決策は、もっと丁寧に話すことです。もっとゆっくり、もっと意識的に、つなぎ言葉なしで。2分ほどはうまくいきますが、疲れますし、そもそも音声入力を始めた理由、つまり「話すほうが টাইピングより速い」ことを消してしまいます。

何が解決にならないのか

より優れた音声認識。 精度が上がると、あなたの話し方により忠実になります。つまり、問題は少し悪化するのであって、改善はしません。完璧な書き起こしは、すべての「ええと」を完璧に残します。

句読点コマンド。 「カンマ」や「改行」と声に出すと構成には役立ちますが、つなぎ言葉や言い直しには何の効果もありません。しかも、話すことがプログラミングのように感じられます。

あとで編集すること。 これが現状ですが、だからこそ多くの人が1週間で静かに音声入力をやめてしまうのです。

何が解決になるのか: クリーンアップ層

解決策は、認識と出力の間にひとつ工程を挟むことです。ツールがあなたの言ったことを聞き取り、あなたの意図を判断し、書き言葉にして返します。

MirrorCaption Typer は、場面ごとに選べる3つの整えモードでこれを実現します。適切なクリーンアップ量は毎回同じではないからです。

• Raw speech — あなたが言ったことをそのまま、つなぎ言葉も言い直しもすべて残します。文字どおりの言葉が重要なときに便利です。引用、誰かの言い回しのメモ、言語学習など。
• Tidy（既定）— 「ええと」「あの」などのつなぎ言葉を取り除き、言い間違いや言い直しを削除し、句読点を追加し、意味とトーンは保ちます。音声入力が最初からこうあるべきだったと感じられるのがこのモードです。
• Formal — 文章をすっきりしたプロフェッショナルな表現に書き換え、メールや文書にそのまま入れられる形にします。意図的に言い回しを変えるため、オンにするかどうかを選べるようになっています。

上の例で言えば、Raw では言い直しと「ええと」が入った文になります。Tidy では 「ロードマップのレビューを木曜日にずらせますか？」 になります。Formal では 「ロードマップのレビューを木曜日に移せますか？」 に近い表現になります。

もう半分の課題: テキストを必要な場所へ届けること

きれいなテキストは、仕事の半分にすぎません。書き起こしアプリに入っただけでは、実際に使いたかったウィンドウへコピーし直す必要があります。

Typer は、メールクライアント、文書、チャット欄など、ほかのすべての上に浮かぶ小さなウィンドウで動作します。話し終えると、整えられたテキストが自動的にクリップボードへコピーされます。探すボタンも、切り替えるアプリもありません。貼り付ければ終わりです。

ブラウザー内で動作するため、インストールは不要です。ソフトウェアの導入にチケット申請が必要な管理下の業務用ノートPCでは、これは重要です。

名前、専門用語、そして本当にあなたの言葉であるもの

優れたクリーンアップ層でも残ってしまうエラーは、たいてい固有名詞です。同僚の名前、製品名、社内用語、技術用語などです。一般的なモデルは、それらを見たことがありません。

役立つ方法は2つあります。1つ目はカスタム語彙です。よく使う用語を追加すると、最初に認識されます。2つ目は編集内容から学習することです。何かを修正すると、ツールは次回また同じ場所を直させるのではなく、あなたの好みを覚えます。

複数言語を混ぜるとき

1つの言語だけで話す人ばかりではありません。中国語話者が英語の製品名を混ぜることもあります。ドイツ人エンジニアが文の途中で英語の技術用語を使うこともあります。多くの音声入力ツールは認識言語を1つ選ばせ、切り替えは手動です。そのせいで流れが大きく崩れ、人はやめてしまいます。

Typer では複数の認識言語を同時に設定できるため、混在した文でもモードを切り替えずに正確に出力されます。もし問題が、ほかの人があなたの分からない言語を話すことなら、それは音声入力ではなく書き起こしと翻訳の話です。どちら側に当てはまるかは 音声入力と書き起こしの違い をご覧ください。

文字どおりが正解のとき

クリーンアップが常に必要とは限りません。誰かを引用するとき、正確な言い回しが重要なとき、言語学習で自分が実際に何を言ったか確認したいとき、あるいは思いついた形のまま考えを残したいときは Raw モードを使ってください。大事なのは、それが唯一の選択肢ではなく、選べることです。

よくある質問

編集不要のテキストを音声入力するにはどうすればいいですか？

文字どおりに書き起こすのではなく、入力しながら整える音声入力ツールを使ってください。MirrorCaption Typer の Tidy モードは、「ええと」「あの」などのつなぎ言葉を取り除き、言い直しや言い間違いを削除し、テキストがクリップボードに届く前に句読点を追加するので、貼り付けは複数工程の最初ではなく最後の一歩になります。

音声入力で「ええと」や「あの」を自動で消せますか？

Apple Dictation、Windows Voice Typing、Google Docs Voice Typing のような標準ツールは文字どおりに書き起こすため、つなぎ言葉は残ります。クリーンアップ層を備えたツールなら自動で取り除けます。MirrorCaption Typer では、これは場面ごとに選ぶモードです。Raw はすべてを残し、Tidy はつなぎ言葉を取り除いて句読点を追加し、Formal は文章をプロフェッショナルな表現に書き換えます。

話し方を整えると、言いたかったことまで変わってしまいますか？

変わるべきではありません。Tidy モードは、意味とトーンを保ちつつ、ノイズだけを取り除くよう設計されています。ノイズとは、つなぎ言葉、言い直し、言い間違いです。Formal モードは意図的に言い回しを書き換えるため、既定ではなく別モードとして選ぶようになっています。

1つの言語だけでなく、複数言語を同時に音声入力できますか？

多くのツールではできません。認識言語を1つ選び、言語が変わるたびに切り替えます。MirrorCaption Typer では複数の認識言語を同時に設定できるので、中国語と英語、あるいはドイツ語と英語が1文の中で混ざっても、正確に出力されます。

名前や専門用語を音声入力で認識させるにはどうすればいいですか？

カスタム語彙に追加してください。Typer では、よく使う名前、製品名、専門用語を追加できるので、最初に認識されます。また、出力を修正した内容から学習するため、同じ間違いが繰り返されません。

音声入力はブラウザー以外のアプリでも使えますか？

Typer は、ほかのアプリの上に浮かぶ小さなブラウザーウィンドウで動作し、完成したテキストを自動でクリップボードにコピーするので、メール、文書、チャット、その他のアプリケーションに貼り付けられます。インストールは不要で、つまり IT の承認も不要です。

結論

音声入力は、少し前に精度の問題ではなくなりました。これは翻訳の問題です。人が話す方法と、テキストが読まれるべき方法のあいだにある翻訳です。そして文字どおりの書き起こしは、その翻訳をあなたに任せます。

それを代わりにやってくれるツールは、音声入力を「一度試したもの」から「毎日使うもの」に変えます。おすすめの音声入力ソフトガイドで各 विकल्पを比較してください。