普段の話し方そのままで、声に出して言ってみてください。「えーっと、デザインがまだできてないから、リリースは来週に延ばすべきだと思う」と。2つの異なるMacアプリが、まったく同じこの文を聞き取ったとします。返ってくるものは、まったく別物です。
片方は「えーっと」や言い直しも含めて、一語残らず返してきます。もう片方が返すのは「デザインがまだできていないので、リリースは来週に延ばすべきだと思います」。同じ音声、同じ3秒間です。変わったのは、言葉を聞き取ったあとにアプリが何をしたか、それだけです。
この違いには名前があり、ほとんどの人が逆に理解しています。*文字起こし*と*ディクテーション*は同義語のように使われますが、別物です。さらにその上に乗る新しい層、AI整形が、両者に期待すべきものを静かに変えてしまいました。どちらがどちらかを知ることが、メールを「話して書く」のか、それとも「永遠に直し続ける」のかの分かれ目です。
文字起こしとディクテーションは同じものではない
まずは素直な意味から始めましょう。ここがはっきりしないと、その先は何も理解できないからです。文字起こしとは、音声をテキストに変えることです。録音、会議、インタビュー、ボイスメモがあって、それを文字にしたい。仕事の核心は忠実さ。誰が何を言ったかを、そのまま正確に捉えることです。
ディクテーションは逆方向に進みます。古い録音を変換するのではありません。いま何かを作るために話している。メール、メモ、ちょっとしたメッセージなどです。音声は使い捨て。最後に残るテキストだけが目的です。
つまり本当の分かれ目は、技術ではなく意図にあります。文字起こしは記録を残し、ディクテーションは下書きを生み出す。法廷速記者は文字起こしをします。あなたは車の中から妹にメッセージをディクテーションします。どちらも音声をテキストに変えますが、狙っているものが違うのです。
何が変わったのか：上に乗ったAI整形
数年前まで、どちらの仕事も行き着く先は同じでした。画面に並ぶ言葉、マイクが拾ったものとだいたい一致するテキストです。正確なときもある。読みやすいとは限らない。いずれにせよ、結果を整えるのは自分の仕事でした。
そこへ言語モデルが、第2のステップとして動かせるほど安く速くなりました。いまやアプリは、あなたの話を文字起こししたうえで書き直し、文法を直し、フィラーを削り、句読点を打ち、だらだらした話をきれいな文に締める。それが、ほんの数秒の間にまとめて起こります。この第2ステップが整形です。生の文字起こしを、実際に送れるものに変えてくれるのです。
ここからAI整形ディクテーションが生まれます。これはディクテーション、つまり何かを作るために話すことに、最後のAIクリーンアップを加えたものです。出力は、あなたが言ったものではありません。時間があればこう書いただろう、というあなたの意図そのものです。
AI整形ディクテーションの実際の仕組み
たいていの記事は「機械学習」と手を振るだけで終わります。ここでは実際のパイプラインを示します。これが見えれば、品質がどこから来るのかが正確にわかるからです。流れは2段階です。
段階1：音声からテキストへ
あなたの音声は、音を生のテキストに変える音声認識モデルに渡されます。2026年の代表格は、OpenAIのWhisperと、その後継であるGPT-4o-Transcribeです。精度は単語誤り率、つまりモデルが間違える単語の割合で測られます。実際の英語では、GPT-4o-Transcribeは約4%、Whisperは約5%で、多くの人が一度試して諦めた古い内蔵ディクテーションの約15%と比べられます。低いほど良い。20語に1語ほどの間違いが、いまの基準です。
この段階は純粋な文字起こしです。アプリがここで止まれば、忠実だが雑な記録が手に入ります。フィラー、言い直し、抜けたカンマ込みです。引用には十分。メールには粗すぎます。
段階2：AI整形
生の文字起こしは次に、「意味を変えずにこれを整えて」というような指示とともに言語モデルへ渡されます。「えーっと」や「みたいな」を削り、主語と述語のずれを直し、句読点を戻し、長すぎる一文をちゃんとした文に組み直す。この指示を自分で書けるアプリもありますが、たいていは固定のものを当てるだけです。
この2段階のループ全体は数秒で終わり、1つの動作のように感じられるほど短い。話して、ひと呼吸おくと、整形されたテキストが現れます。この速さこそ、木曜には放り出す別の雑用になるのではなく、毎日の習慣として定着する理由です。
生と整形：実例の比較
定義は例があると腑に落ちます。考えが実際に口から出るときのように、自然に話した一文がこちらです。
*「えーっと、Q3レポートなんだけど、その、解約数に、解約数にフォーカスする必要があると思うんだよね、だってそこが役員の気にするところだから、あとリテンションのスライドも足すといいかも」*
純粋な文字起こしツールは、基本的な句読点を補っただけで、ほぼそのまま返します。 ``` えーっと、Q3レポートなんだけど、その、解約数に、解約数にフォーカスする必要があると思うんだよね、だってそこが役員の気にするところだから、あとリテンションのスライドも足すといいかも。 ```
AI整形ディクテーションが返すのは、こちらです。 ``` Q3レポートでは解約数に注力すべきです。役員が気にするのはそこだからです。リテンションのスライドも追加しましょう。 ```
同じ内容、同じ数秒の発話。片方はどう話したかの記録。もう片方は、そのままSlackに貼れるものです。どちらかが抽象的に優れているわけではありません。違う仕事のために作られている。両者を区別する意味は、まさにそこにあります。
生の文字起こしが本当に欲しいとき
ほとんどの文章にとって、整形は正しいデフォルトです。すべてではありません。ときには言葉そのものが要点であり、AIに整えられるのは機能ではなく不具合になります。
次のときは生の文字起こしを選びましょう。 - 引用を取っていて、正確な言い回しが重要なとき - インタビューや会議を参照用に記録しているとき - 言い回しが変わると責任問題になる法律・医療・研究の場面 - 日記を書いていて、ありのままの自分の声が肝心なとき - アルゴリズムに任せず、自分で編集したいとき
こうした場面では、整形があなたの意味を静かにずらしかねません。きつい表現を和らげたり、わざと選んだ言い回しを「修正」したり、分けておきたかった2つの考えを一つにまとめてしまったり。だからまともなディクテーションツールは生モードを残しています。Voicrにはディクテーションモードがあり、整形をオフにして、何も足さず何も言い換えない、きれいで正しく句読点の入った文字起こしを返します。
AI整形ディクテーションが勝つとき
誰か他の人に向かうものなら、整形は出番を得ます。メール、Slackメッセージ、ドキュメント、コードコメント、PRD、読み手が気にするのはあなたのメッセージであって言葉のクセではない、というあらゆるものです。
理由は、速さと品質を同時に得られるからです。人が話す速さは毎分約150語、打つ速さは約40語なので、声は4倍近く速い。ところが生のディクテーションは、そのリードをたいてい修正時間で帳消しにします。整形がその差を埋める。話す速さと仕上がったテキストが、あとから直す手間なしに手に入るのです。
見落としやすい2つ目の利点があります。文脈です。優れたツールは、書いている場所に応じて整形を変えます。SlackのDMは短くカジュアルなまま。クライアントへのメールには挨拶と結びが要る。これを引き受けてくれるのがVoicrのスマートルールです。アプリごとにトーンを一度設定すれば、フォーカスされているウィンドウに応じて切り替わり、同じ話し言葉がSlackではカジュアルに、Mailではきちんとした文体で出てくる。あなたは何も触りません。
選ばずに両方を手に入れる方法
1つのモードを選んで我慢する必要はありません。うまくいく設定は、地味で単純です。 1. AI整形ディクテーションをデフォルトに。 他人に向かう文章の80%をこれがカバーします。 2. 引用、インタビュー、一語一句そのまま欲しいもののために、生の文字起こしをワンタッチで使えるようにしておく。 3. ツールがアプリごとのルールに対応しているなら、各アプリのトーンに整形が合うよう一度設定する。
本当の失敗は、間違ったモードを選ぶことではありません。2つが別物だと知らないことです。そして、メールに一字一句のフィラーが現れたとき、あるいは整形版が引用に必要だった言葉を落としたときに、アプリのせいにする。いまどちらの仕事をしているかさえわかれば、正しいモードは1秒で決まる判断です。
整形の層そのものをもっと詳しく見るなら、Mac向けAI音声ディクテーションの仕組みをどうぞ。まだツールを探している段階なら、2026年のMac向けベスト音声テキスト変換アプリのまとめが選択肢を整理してくれます。設定の基本については、Macで音声を瞬時にテキスト化する方法があります。
違いを自分で試してみる
これを一番速く体感する方法は、同じ一文を2回、生と整形で口に出して、何が残るかを見比べることです。どちらを実際に送りたいか、2秒ほどでわかるはずです。
Voicrは1つのキーで両方をこなします。FNを押したまま、普通の人のように話せば、整形されたテキストがクリップボードに現れ、どのアプリにでも貼り付けられます。生のほうが欲しいときはディクテーションモードをオンに。月5,000語まで無料、カード登録なしで、それぞれのモードが自分の一週間のどこに合うかを見つけるには十分です。