30秒で一段落を話し終える。そのあと90秒かけてそれを直す。「えーと」を消し、コンマを足し、途中で言いかけてやめた文を仕上げる。読める状態になる頃には、最初からタイプすればよかったのではと思っている。
これこそ、多くの人が音声ディクテーションを一度試して二度と戻ってこない静かな理由だ。速さは本物。でも出てくるテキストは使い物にならない。そしてこの二つのあいだのギャップこそ、本来ならAI推敲が担うべき場所であり、ほとんどすべてのディクテーションアプリが飛ばすか、やり方を間違えている工程だ。
長いあいだ、ディクテーションの売り文句はずっと速さだった。1分40語でタイプする代わりに1分150語で話せば、4分の1の時間で終わる。その計算はいつだって正しかった。問題は、その後に手元に残るものだ。法廷速記者があなたの考え事をそのまま書き取ったような、生の文字起こし。
誰も警告してくれない生産性のパラドックス
ここに落とし穴がある。音声を使えば下書きには早くたどり着けるが、下書きはゴールではない。テキストにまだフル編集が必要なら、作業を減らしたことにはならない。ただ場所を移しただけだ。
数字を見れば誘惑は明白だ。平均的な話速は1分あたり約150語、平均的なタイプ速度は約40語。タイプ1語につき、話す語数はおよそ4倍だ。だから人はディクテーションを試し、速さを感じ、少し心が躍る。
そして出力を読む。「で、思ったんだけど、たぶん締め切りを、その、金曜くらいに動かしたほうがいいかなって」。もう編集モードだ。しかもそんな散らかったテキストを直すのは、最初からきれいに一文書くより遅いことが多い。まず自分の取り留めのない話を解読し、それから直さないといけないからだ。
そんな一週間が過ぎると、アプリは削除される。ディクテーションが遅かったからではない。宿題を返してきたからだ。
文字起こしはもう解決済みの問題だ
精度のせいにするのは簡単だし、数年前ならそれで正しかった。だが2026年の今、生の音声認識はほぼ解決している。優秀なモデルはクリアな発話を80〜95%の精度で文字起こしし、訛りや背景雑音への対応も、10年前にノートパソコンに入っていたディクテーションよりはるかに上だ。
多くのアプリが基盤にしているオープンモデルのWhisperは、あなたの言葉を拾う。Appleのものも、Googleのものも同じだ。あなたの声を正しく聞き取るだけのレースは、ほぼ終わった。みんなそのラインを越えた。
Apple Dictationは、次のステップを欠いた認識のわかりやすい例だ。ちゃんと聞き取りはするが、返ってくるのは文字どおりの文字起こしで、言い直しもつなぎ言葉も全部入っている。だから今や、認識精度はディクテーションアプリ同士を分ける要素ではない。二つのアプリが同じ精度であなたの言葉を文字起こしするなら、かつては勝負のすべてだった部分で引き分けということになる。
違いが出るのは、言葉を拾ったあとに何が起きるかだ。その工程こそ、誰も機能一覧に載せない部分。それが推敲レイヤーであり、優れたアプリが静かに勝負を決める場所だ。
言ったこと vs. 言いたかったこと
言ったことと言いたかったことのあいだには差があり、口を開くたびにあなたはそのギャップの中で生きている。
話すとき、人は後戻りする。一文を始め、捨て、また始める。考える半秒を稼ぐために「えっと」と言う。脳がもう次に飛んでしまって、思考を途中で放り出す。どれもミスではない。ただ、話し言葉とはそういうものなのだ。
文字起こしはそれを全部、忠実に書き留める。そこが問題だ。話し言葉を忠実に書き写したものは、ひどい文章になる。話すことと書くことは別物だからだ。良い文章は言いかけた失敗を切り捨て、要点を残す。
推敲は、そのギャップを埋める工程だ。文字どおりの文字起こし、つまり言ったことを取り上げ、言いたかったことへと作り直す。同じアイデアを、指が頭に追いついていたら自分が書いたであろう順番で。
こんな具合だ。あなたはこう言う。 ``` えっとだから思ったんだけど、ローンチをさ、その、来週に延ばしてもいいかなって、その その QAが終わってないし、まあそんな感じ ``` 文字起こしはこれを一語一句そのまま返す。推敲が返すのはこちらだ。 ``` ローンチは来週に延ばすべきだと思います。QAがまだ終わっていません。 ``` 二つ目はあなたが書いたものではない。あなたが言ったのは一つ目だ。残りは推敲レイヤーがやった。
良い推敲が実際にやっていること
推敲はひとつの芸ではない。腕利きの編集者が考えるまでもなくやってのける小さな修正の積み重ねで、しかもキーを離してからテキストが現れるまでの1〜2秒のあいだに全部こなす。優れたものはおおよそ次の5つをやる。 1. つなぎ言葉を取り除く。「えっと」「みたいな」「その」「要するに」がすっと消える。 2. 文法と句読点を直す。コンマ、句点、そしてちゃんと整合した時制。 3. 思考を仕上げる。言いかけの文は閉じられ、中途半端な発言は完結した文になる。 4. 読みやすく再構成する。だらだら続く文は二つのすっきりした文に分かれる。埋もれていた要点は前に出る。 5. 文脈に合わせる。Slackのメッセージは砕けたまま。メールは少し改まる。
最後のひとつが最も過小評価されている。同じ話し言葉の一文が、友人へのメッセージと上司へのメモで同じように着地していいはずがない。話し言葉はそれがどこへ向かうのか知らない。良い推敲は知っている。マイクからクリップボード上のきれいなテキストまで、一連の流れがどう動くのかを見たいなら、Macで使えるAI音声ディクテーションの実際の仕組みで詳しく解説している。
推敲が何ではないかにも注目してほしい。要約ではない。要点を短くしたものが欲しいのではなく、きれいにしたものが欲しいのだ。そして生成でもない。言ってもいないアイデアを足してはいけない。推敲が歩く線は狭い。形は変える、意味は保つ。どちらの方向に外しても、手にするのは良いツールではなく悪いツールだ。
なぜ大半のディクテーションアプリは推敲レイヤーを飛ばすのか
推敲が勝負のすべてなら、なぜこれほど多くのアプリは文字起こしで止まるのか。理由は3つあり、どれもあなたのせいではない。
作るのが難しい。文字起こしは音声モデルだ。推敲はその上に乗る言語モデルを必要とする。トーン、文脈、そしてあなたが本当に言いたかったことを読み取るモデルだ。それは二つ目のシステムであり、構築し、調整し、しかもディクテーションのたびに費用がかかる。
遅くて、コストも高い。言葉を追加のモデルに通すと、わずかなレイテンシと実際の請求が乗る。推敲を飛ばすアプリは運用が安く、反応も速い。ただ静かに、後始末をあなたに押し付けているだけだ。
そしてリスクがある。やりすぎる推敲モデルは、あなたが意図して言ったことを「修正」したり、あなたらしさを削り取ったり、大事な一語を入れ替えたりする。出しゃばらずに助けてくれるモデルを作るのは本当に難しいので、多くのアプリはそもそも挑もうとしない。
これこそVoicrが設計の核に据えた問題だ。あなたの話し言葉は、クリップボードに届く前に一回のパスで文字起こしと推敲が行われる。さらにスマートルールを使えば、アプリごとに違うトーンを設定できる。Slackではカジュアルに、メールではもっとフォーマルに。だから後始末は、すべてのメッセージを一律に扱うのではなく、言葉が向かう先にちゃんと合う。
AI推敲の正直な限界
推敲は足りないピースだ。とはいえ魔法ではないし、魔法のふりをするアプリはいつかあなたを痛い目に遭わせる。
やりすぎることがある。モデルを強く押しすぎると、あなたの文章がほかのみんなと同じ、なめらかで有能で妙にのっぺりした顔のないものになり始める。完璧に正しいのに、誰が書いたとも知れない一段落を読んだことがあるなら、その失敗モードに出会っている。
細部で足をすべらせることがある。文法を整えるモデルが、こっそり一語を変えてしまうかもしれない。そしてその語が名前、数字、あるいは「ない」だったら、意味もそれと一緒に動く。Slackの返信なら、どうでもいい。だが契約書の条項や薬の用量なら、送る前に読む。毎回必ず。
そして心は読めない。本当に曖昧なことをもごもご言えば、モデルは推測し、ときに推測を外す。対処法は昔から変わらない。送信を押す前の2秒の一瞥だ。推敲はその一瞥をなくすためにあるのではない。あなたが目を通したとき、たいてい直すものが何も残っていないようにするためにある。
ディクテーションアプリが本当に推敲しているか見分ける方法
ディクテーションツールを選ぶとき、機能一覧はたいして役に立たない。みんな箱に「AI」と書いている。約5分で実際に試す方法はこうだ。 1. わざと散らかった一段落を話す。だらだら話し、「えっと」を挟み、文を途中でやり直し、最後は言いかけて止める。文字起こし専門のアプリは散らかったまま返す。推敲するアプリはきれいにする。 2. 言いながら自分で訂正する。「火曜に動かして、いや、水曜で」と言ってみる。本物の推敲レイヤーは「水曜」だけを残す。文字どおりのものは両方残す。 3. 同じ一文をSlackとメールに話し込む。出力が同じなら文脈認識はない。トーンが変わるなら、ある。 4. 速さを見る。推敲はわずかな間を要する。テキストが瞬時に現れて、それでも手直しが要るなら、たぶんAIのラベルをまとった生の文字起こしだ。 5. 何も触らずに読む。出てきたものをそのまま送れるか。送れるなら、それが足りないピースが効いている証拠だ。
この5つをやれば、数分でそのアプリがどちらの陣営かわかる。たいていの「最高のディクテーションアプリ」まとめ記事は一度もこれを試さない。それこそ、ああいうリストに載るアプリがどれも同じに見える大きな理由だ。
足りないピースを、実際に使うと
削ぎ落とせば、話は単純だ。音声はタイプより速く、その差は圧倒的だ。だがその速さは、全部を編集に押し戻すなら無価値になる。文字起こしは言葉を手に入れさせる。AI推敲は文章を手に入れさせる。片方だけでは、ツールの半分にすぎない。
人が実際に使い続けるディクテーションアプリは、ループを閉じるものだ。あなたが話すと、着地するのは、調子のいい日に自分が書いたであろうものになる。人が削除するアプリは、文字起こしで止まり、それで完成と言い張る。
その違いを一番手っ取り早く感じる方法は、本物のメッセージをひとつ、メールかSlackの返信を話してみて、出てきたものをじっくり見ることだ。文字起こししながら推敲し、今いるアプリに応じてトーンを切り替え、キー1つできれいなテキストをカーソル位置に落とす版が欲しいなら、それこそがVoicrの発想そのものだ。FNを押して、話して、ペースト。足りないピースは、もう付いている。