メインコンテンツへスキップ
見出し画像

【音声入力】Typelessの代わりを無料で探した記録:Windows×AmicalとAndroid×Gboardにたどり着くまで

    はじめに

    Typelessのような「AIが喋り言葉を綺麗な文章に整えてくれる音声入力」を、無料で実現できないか。そんな思いつきから始まった検証の記録です。

    そもそも、音声入力にはタイピングやフリック入力にはっきりとした速度上の優位性があります。2016年にスタンフォード大学・ワシントン大学・Baiduの共同研究チームが発表した論文「Speech Is 3x Faster than Typing for English and Mandarin Text Entry on Mobile Devices」では、iPhoneのキーボード入力と音声認識(Baiduの音声認識エンジン)を比較したところ、英語では音声入力がタイピングより3倍速く、誤り率も20.4%低いという結果が示されています(中国語では2.8倍速、誤り率63.4%低)。つまり、AIによる文章整形の精度うんぬん以前に、「喋って文字にする」という行為自体に、タイピングにはない優位性があるということです。だからこそ、この体験を無料で手に入れられないか、というのが今回の出発点でした。

    結論から言うと、たどり着いたのは次の組み合わせでした。

    • Windows PC:Amical(Whisper Smallモデル、整形機能はオフ)

    • Android スマホ:Gboard

    一見地味な結論ですが、そこに至るまでにローカルLLM・クラウドAI・複数のWhisperモデルを実際に試し、期待通りにいかなかった理由まで一つずつ切り分けています。この記事では、その過程と、判断のもとになった基礎知識を整理してお伝えします。


    この記事で見るAI活用の評価軸

    AIツールを選ぶとき、筆者は次の5つを重視しています。

    1. 出力内容の質:文字起こしや整形の精度

    2. 出力速度:反応の速さ、待たされないか

    3. コスト:継続的にいくらかかるか

    4. ガジェットの必要スペック:手元の端末でどこまで動くか

    5. 情報セキュリティ:データがどこに送られ、どう扱われるか

    このうち今回、筆者が特にこだわったのがコストです。多少の不便があっても「完全無料」で完結できることを最優先の条件として検証を進めました。
    AI課金にはキリがないからです。

    Typelessのような有料サービスに手を出す前に、無料の範囲でどこまで再現できるかを見極めたい、というのがこの記事全体を貫くスタンスです。

    加えて、実際に検証を進める中で、上記5つに加えてもう少し見ておいた方がいい指標があることにも気づきました。

    1. 拡張性・カスタマイズ性:モデルやエンジンを自分で選び、差し替えられるか

    2. 開発の継続性・メンテナンス性:機能が「実験的(アルファ)」表記のままだったり、不具合が放置されていないか

    3. 透明性(オープンソースかどうか):中身がブラックボックスでなく、特定の企業に縛られずに使い続けられるか

    この記事では、上記8つの指標それぞれについて、以下のように触れていきます。

    | 指標 | この記事での触れ方 |
    |---|---|
    | 出力内容の質 | Whisper各モデル・TinySwallow・Qwen2.5の文字起こし精度比較 |
    | 出力速度 | Small(3〜4秒)とLarge v3 Turbo(6〜8秒)の応答時間比較 |
    | コスト | Handy・Amical・Gboardの無料範囲の違い、クラウド無料枠の落とし穴 |
    | ガジェットの必要スペック | VRAM 1GB未満の環境でのCPU実行という制約 |
    | 情報セキュリティ | ローカル処理とクラウド処理(Win+H、Amical Cloud)のデータの流れ |
    | 拡張性・カスタマイズ性 | Ollama経由でのモデル差し替え、Handyとの機能差 |
    | 開発の継続性・メンテナンス性 | Amicalの「フォーマット(アルファ)」機能の不具合 |
    | 透明性(オープンソース) | Amical・Handy・Whisperがオープンソースであること |


    前提知識1:LLMとSLM、何が違うのか

    今回の検証のカギになったのが「LLM(大規模言語モデル)」と「SLM(小規模言語モデル)」の違いです。

    LLMとは

    数百億〜数兆パラメータ規模の言語モデルです。GPTシリーズやClaude、Geminiなどの主要モデルがこれにあたります。

    メリット

    • 幅広い知識と高い推論能力

    • 曖昧な指示でも意図を汲み取りやすい

    • 複雑なタスク(要約、翻訳、コード生成など)に強い

    デメリット

    • 動かすのに大きな計算資源(GPU・VRAM)が必要

    • クラウド経由が基本になりやすく、コストと通信が発生

    • レスポンスに時間がかかる場合がある

    SLMとは

    数億〜数十億パラメータ程度に絞り込んだ言語モデルです。今回使用したTinySwallow-1.5BやQwen2.5-3Bもこの区分に入ります。

    メリット

    • スマホやノートPCのCPUでも動く軽さ

    • ネット接続なしで完結できる(プライバシー面で有利)

    • 応答が速く、コストもかからない

    デメリット

    • 自由度の高いタスク(複雑な指示の遵守、長文の要約など)では精度が不安定になりやすい

    • 学習範囲外の話題や指示には弱い

    • 今回の検証のように、狭いはずの作業でも思わぬ暴走(ハルシネーション)を起こすことがある

    企業での使用例

    LLMの例:三菱UFJ銀行

    NTTドコモビジネス(旧NTTコミュニケーションズ)は2025年12月、生成AIエージェントを用いたコールセンターソリューション「発話ベースルーティング」を三菱UFJ銀行に提供開始したと発表しました。電話がかかってきた際に、生成AIが発話内容をリアルタイムで解析し、用件に応じて最適なオペレーターへ自動的に振り分けるというものです。文脈を理解して振り分け先を判断するという、幅広い理解力が求められる業務にLLMが使われている例です。
    (出典:NTTドコモビジネス プレスリリース(2025年12月16日))

    SLMの例:NTTデータ「tsuzumi」

    NTTデータが提供する国産LLM「tsuzumi」は、軽量モデルからエンタープライズ向けまで幅広いラインナップを持つのが特徴です。公共機関や金融機関向けに、監査ログの保持や閉域網構成といった要件に対応しやすい軽量版が用意されており、大規模モデルではオーバースペックになりがちな社内の定型業務に、必要十分な軽さのモデルを充てるという考え方が採られています。
    (出典:NTT ニュースリリース「更なる進化を遂げたNTT版LLM tsuzumi 2の提供開始」(2025年10月20日))

    今回の検証は、まさに「SLMが狭い定型タスクに向いている」という一般論を、身をもって確かめる形になりました(後述しますが、結果は必ずしも期待通りではありませんでした)。

    画像
    LLMとSLMの比較図

    前提知識2:クラウドAIとローカルAI、何が違うのか

    クラウドAI

    音声やテキストを外部サーバーに送信し、そこで処理して結果を受け取る方式です。Windowsの「Win+H」音声入力や、Amicalの「Amical Cloud」モデルがこれにあたります。

    メリット

    • 高性能なサーバーで処理するため、手元の端末のスペックに左右されにくい

    • 常に最新モデルが使える

    • セットアップが簡単

    デメリット

    • ネット接続が必須

    • データが外部に送信されるため、プライバシー・機密情報の扱いに注意が必要

    • 無料枠を超えると課金が発生することが多い

    ローカルAI

    音声やテキストの処理を、すべて手元の端末(PC・スマホ)内で完結させる方式です。今回使ったAmicalのWhisperモデルや、Ollama経由のTinySwallow・Qwen2.5がこれにあたります。

    メリット

    • データが外部に出ないため、プライバシー・機密保持の面で安心

    • 通信環境に左右されない

    • 継続コストがかからない

    デメリット

    • 端末のスペック(特にVRAM・メモリ)に処理能力が左右される

    • 高精度モデルほど動作が重くなりやすい

    • セットアップにやや技術的な手間がかかる

    企業での使用例

    クラウドAIの例:三菱UFJ銀行

    前述の三菱UFJ銀行のコールセンターソリューションは、クラウドAIの活用例でもあります。NTTドコモビジネスのクラウド基盤上で稼働する生成AIが、着信内容をその場で解析して最適な対応者に振り分ける仕組みで、繁忙期の入電増加にもクラウド側のリソースで柔軟に対応できる点がメリットです。
    (出典:NTTドコモビジネス プレスリリース(2025年12月16日))

    ローカルAIの例:インテック

    システムインテグレーターのインテックは2026年1月、オンプレミス環境で生成AIを活用できるローカルLLMの導入支援サービスを開始したと発表しました。自社のデータを外部のクラウドサービスに送信せず、閉じた環境内で生成AIを運用したいという企業のニーズに応える取り組みで、2026年度までに売上高3億円を目指すとしています。情報を外に出したくない業種にとって、ローカルAIが経営判断として選ばれ始めていることがうかがえます。
    (出典:インテック ニュースリリース(2026年1月29日))

    今回の検証でも、この構図がそのまま当てはまりました。VRAMが1GB未満という非力な環境だったため、ローカルAIは基本的にCPU実行前提となり、速度と精度のトレードオフを何度も確認することになりました。

    画像
    クラウド生成AIとローカル生成AIの処理フロー図

    検証のきっかけ

    「Typelessと同じことを無料でやりたい」という思いつきから始まりました。Typelessは喋った内容をAIが自動で整形してくれる有料の音声入力サービスですが、同じ体験を無料のツールで再現できないか、というのが出発点です。
    繰り返しになりますが、AI課金にはキリがないからです。

    環境は次の通りです。

    • PC:Windows、VRAM 1GB未満

    • スマホ:Android(Galaxy S24FE)


    PCでの検証

    選択肢の整理

    まず候補に挙がったのは次の3つです。

    1. Windows標準の音声入力(Win+H):無料・追加設定不要。ただしAI整形機能はなく、クラウド(Azure)経由

    2. Handy:完全無料・オープンソース。標準はローカルWhisperでの文字起こしのみだが、Advanced > Experimental Featuresから実験的にOllama/LM Studio経由のAI整形も有効化できる

    3. Amical:無料・オープンソース。ローカルWhisper+ローカルLLM(Ollama経由)で整形まで対応

    「Typelessに一番近い体験」という観点で、Amicalを軸に検証を進めることにしました。

    つまずき1:AI整形が暴走する

    AmicalにOllama経由でTinySwallow-1.5B(SakanaAI製の軽量日本語モデル)を接続し、AI整形を試したところ、次のような問題が連続して発生しました。

    • 話していない内容を捏造する(ハルシネーション)

    • 日本語で話した内容が英語に翻訳されて出力される

    • Wordへの入力自体が失敗する

    モデルをQwen2.5-3Bに変更しても、同様の暴走が発生。2つの異なるモデルで同じ症状が出たことから、原因はモデルの性能ではなく、Amicalの「フォーマット(アルファ版)」機能自体の不安定さにあると判断しました。

    画像
    Wordへの入力自体に失敗

    つまずき2:生の文字起こしすら意味不明になる

    AI整形をオフにして生のWhisper文字起こしを試しても、最初は「Amical(Whisper small)」という単語を無意味に繰り返すなど、支離滅裂な結果になりました。

    原因を疑って一つずつ切り分けた結果、マイクの音量不足が真因と判明。PCに顔を近づけて大きめの声で話すと、一転して内容の通った文字起こしができるようになりました。この時点で、AI整形の暴走とマイク音量の問題は、それぞれ独立した別の問題だったと確定できました。

    画像
    単語の無意味に繰り返し

    つまずき3:モデルサイズを上げても改善しない場合がある

    マイクの問題を解消したうえで、Whisper Small・Whisper Large v3 Turboを複数回比較しました。

    | 比較項目 | Whisper Small | Whisper Large v3 Turbo |
    |---|---|---|
    | 応答速度 | 速い(3〜4秒) | やや遅い(6〜8秒) |
    | 精度の安定性 | ブレが大きい(大きく破綻する回もあり) | 比較的安定 |
    | 総合的な使い勝手 | 当たり外れがある | 修正の手間は少なめ |

    1回だけの比較では判断を誤りそうになりましたが、複数回試したことで「速いが不安定なSmall」「やや遅いが安定したLarge v3 Turbo」という傾向が見えてきました。

    画像
    Small・Large v3 Turboの出力を並べた比較

    PCでの結論

    最終的に、Amical+Whisper Smallの生文字起こし(AI整形オフ)を採用しました。Win+Hと比べて、モデル切り替えの柔軟さや履歴管理の使い勝手が優れていた点が決め手です。


    今回登場したモデルの解説

    そもそもOllamaとは

    TinySwallowやQwen2.5の話をする前に、その土台となった「Ollama」についても触れておきます。

    Ollamaは、LLM・SLMを自分の端末上で手軽に動かすためのオープンソースのツールです。ollama pull モデル名 というコマンド一つで、Hugging Faceなどで公開されているモデルをダウンロードでき、ダウンロードしたモデルはローカルの簡易サーバー(http://localhost:11434)として起動します。AmicalのようなアプリからOllamaに接続すれば、そのアプリ自体にモデルを組み込まなくても、ローカルLLMを差し替えながら使えるようになります。

    今回の検証でTinySwallowからQwen2.5への切り替えが数コマンドで済んだのは、このOllamaの仕組みのおかげです。「拡張性・カスタマイズ性」という評価軸において、Ollama対応の有無が使い勝手を大きく左右することを実感しました。

    Whisper(Tiny/Base/Small/Medium/Large v3/Large v3 Turbo)

    OpenAIが開発した音声認識(Speech-to-Text)モデルです。サイズが上がるほど認識精度は上がりますが、その分VRAM・処理時間の要求も増えます。オープンソースで公開されており、ローカル環境で無料で動かせる点が今回の検証の土台になりました。

    TinySwallow-1.5B

    日本のSakana AIが開発した、1.5Bパラメータの軽量な日本語特化言語モデルです。定型的な日本語処理(短文の要約や決まった形式への整形など)を想定して作られており、Raspberry Piのような非力なハードウェアでも動作します。今回はAmicalの文章整形エンジンとして接続しましたが、ハルシネーションが目立つ結果となりました。

    Qwen2.5-3B-Instruct

    Alibaba Cloudが開発したQwenシリーズの、3Bパラメータの指示追従型モデルです。多言語対応の指示追従力に定評がありますが、今回の環境ではTinySwallowと同様の不具合が再現されました。


    スマホでの検証

    Amical(Android版)の実力

    AndroidのAmicalアプリは、Google Playで正式配信されています(iOSはまだ招待制ベータ)。仕組みとしては、Androidの「アクセシビリティサービス」を使い、画面上に浮かぶフローティングボタンをタップして、どのアプリのテキスト欄にも入力できるという方式です。

    ただし、実際に設定画面を確認したところ、PC版にあったはずの「AIモデルを選択する」項目が見当たりませんでした。つまり、ローカルWhisperモデルを選ぶ手段が今のところ用意されておらず、実質的にクラウド処理に固定されている可能性があります。

    Amicalの無料プランは「クラウド処理は週2,000語まで無料、それ以上は有料」という制限があるため、知らないうちに無料枠を使い切ってしまうリスクがあります。

    画像
    Amical スマホ版

    Gboardとの比較

    一方のGboard(Android標準のキーボードアプリ)は、AI整形こそありませんが、完全無料で追加コストの心配がありません。Win+Hと同様に、無音区間が続くと自動的に文字起こしを止める仕様がある点は共通の弱点として押さえておく必要があります。

    スマホでの結論

    「完全無料」を優先するという方針のもと、スマホ側はGboardを採用することにしました。Amicalのモバイル版が今後アップデートでモデル選択に対応すれば、改めて見直す余地は残しています。


    まとめ

    | | PC | スマホ |
    |---|---|---|
    | 採用したツール | Amical(Whisper Small、整形オフ) | Gboard |
    | 決め手 | モデル切り替えの柔軟さ、安定した生文字起こし | 完全無料、追加コストの心配なし |

    今回の検証を通じて実感したのは、「AIで文章を整形する」という一見シンプルな機能の裏にも、LLMとSLMの向き不向き、クラウドとローカルのトレードオフといった技術的な選択が積み重なっているということです。特に、モデルを大きくすれば必ず良くなるわけではないこと、問題が起きたときはモデルではなく別の場所(マイクの音量、アプリの実装バグなど)に原因があることも考えられることは、実際に手を動かして初めて分かった収穫でした。

    無料で音声入力環境を整えたい方の参考になれば幸いです。

     
     
    商都・大阪出身。北海道という雪国に移住して6年目。ソロプレナー(IT系)を行う23歳修士学生。 最近の関心は、"ブロックチェーン"と"複数LLMの目的別活用"。 AIアウトプットゼミ®(IG参照)を運用しています。

    あなたへのおすすめ