# iPhoneの音声入力、ついに「本気」で使えるレベルに到達か 「音声入力って、便利そうな

何が起きたか

# iPhoneの音声入力、ついに「本気」で使えるレベルに到達か 「音声入力って、便利そうなんだけど、実際使うと変換ミスが多くてイライラするんだよね」 そう思っている人は、少なくないはずだ。 私もその一人だった。

Apple純正の音声認識は確かに年々向上している。 しかし、いざ本格的な文章を書こうとすると、その限界が見えてくる。 句読点の打ち方を指示する必要があったり、専門用語がことごとく誤変換されたり。

結局、キーボードに戻ってしまう——そんな経験を繰り返してきた。 その状況を一変させる可能性があるアプリが、先日iPhoneに対応した。 Aqua Voiceだ。 昨年、Mac版がリリースされた際、その精度の高さは一部のテック愛好家の間で話題になった。

そして約1年を経て、ついにiPhoneでも使えるようになったのである。

そもそも音声認識、どこまで進化しているのか 現在の音声認識技術を理解するには、まず「オンデバイス処理」と「クラウド処理」という2つのアプローチを知る必要がある。 Appleの純正音声認識は、基本的にオンデバイス処理（端末内で完結する処理）を採用している。あなたの声はiPhoneやMacの中で処理され、外部サーバーには送信されない。これの何が良いかというと、プライバシーだ。機密性の高い会議の議事録や、個人的な日記を音声入力しても、その内容が外部に漏れる心配はない。また、ネット接続がない環境でも使える。 ただし、このアプローチには代償がある。処理能力の制約だ。スマホやPCの中に収まるサイズのAIモデルでは、どうしても認識精度に限界がある。一方、OpenAIのWhisper（2022年に公開された音声認識モデル）のようなクラウドベースのサービスは、巨大なサーバーで動く強力なAIを使えるため、圧倒的に高い精度を叩き出す。 要するに、「プライバシー重視のローカル処理」か「精度重視のクラウド処理」か——というトレードオフが、長らく存在していたのである。

Aqua Voiceが凄いのは「精度」だけじゃない Aqua Voiceは、クラウド処理を選ぶことで、このトレードオフの後者を突き詰めたアプリだ。どれくらい凄いのか、元記事の筆者が行った興味深いテストを紹介したい。 2台のMacを用意。片方にはAqua Voice、もう片方にはApple純正の音声認識を起動する。そして同時に、スティーブ・ジョブズの有名なスタンフォード大学卒業スピーチの冒頭を読み上げた。 結果は衝撃的だった。Apple純正の方は17カ所のエラー。対してAqua Voiceは、わずか1カ所のエラーにとどまったのである（正直、この数字を見た時、ちょっと信じられなかった）。 しかし、Aqua Voiceが優れているのは単なる「変換精度」だけではない。もっと重要な違いがある。それは、句読点や段落区切りを自動で判断してくれる点だ。 従来の音声入力では、「てん」「まる」「段落かえ」といった指示を口にする必要があった。これは意外とストレスフルだ。自然に話したいのに、頭の片隅で常に「ここで句点を打たなきゃ」と意識しなければならない。Aqua Voiceは、文脈を理解して自動的に句読点や改行を入れてくれる。まるで人間の速記者が隣にいるかのように——。 元記事の筆者は、Mac版を使い始めてから、すべての記事を音声入力で書くようになったという。それほど、体験が変わるのだ。

iPhone版の使い勝手——キーボードとして統合 ここからが今回の本題だ。Aqua VoiceがついにiPhoneに対応した。 iPhoneで音声入力アプリを使ったことがある人は、「あの面倒くささ」を知っているはずだ。多くのアプリは、専用アプリ内で音声を録音・変換し、そのテキストをコピーして、目的のアプリにペーストする——という2段構えの作業を強いる。LINEでメッセージを送るだけなのに、アプリを2回行き来しなければならない。これでは日常使いのハードルが上がる。 Aqua VoiceのiPhone版は、もっとスマートなアプローチをとる。キーボードとして統合されるのだ。 設定でAqua Voiceのキーボードを追加すれば、あとは通常のキーボード切り替えと同じ要領で使える。地球儀のアイコンをタップしてAqua Voiceキーボードを選択。そして、そのまま話す。テキストは、入力カーソルがある場所に直接入力される。LINEでも、メールでも、メモアプリでも——どこでも同じように使えるのだ。 さらに、音声でテキストを編集することも可能だ。「前の文字を消して」とか「ここに『重要』って入れて」といった指示が通る。これは地味に便利だ。変換結果を指でタップして修正する必要がない。

ただし、Appleのセキュリティ要件による「ひと手間」 ここで、正直な話をしておきたい。すべてがスムーズというわけではない。 Appleのセキュリティ要件により、どうしても避けられない「ひと手間」が存在する。各アプリで初めて音声入力を開始する際、Aqua Voiceアプリ自体に画面が切り替わる。そこで1回タップして、元のアプリに戻る必要があるのだ。 Appleがこれを義務付けているのは、セキュリティ上の理由からだ。キーボードが常時マイクにアクセスできてしまうと、ユーザーが意図しないタイミングで録音されるリスクがある。そのため、明示的なユーザー操作を要求しているのである。 面倒かと言われれば、まあ、少し面倒だ。ただ、これは各アプリで「最初の1回」だけの話。2回目以降はスムーズに使える。許容範囲と言えるだろう（Appleのセキュリティ設計を考えると、仕方ない部分もある）。

プライバシー——判断が分かれるポイント ここが、おそらく多くの読者が気になるポイントだろう。 Aqua Voiceは、音声認識のためにクラウドサーバーを使用する。つまり、あなたの声が一度外部に送信される。開発元は「同期機能を使わない限り、変換されたテキストは保存しない」と説明している。しかし、それは開発者の約束に依存している。 元記事の筆者は、この点について非常に慎重だ。「画面上のコンテンツを見る」権限を与える機能については、Apple以外の企業には信用を置いていないと明言している。要するに、機密性の高い仕事の文書などを入力する際は、リスクを理解した上で判断する必要がある。 私の考えを言えば、日常会話レベルのメッセージや、そこまでセンシティブでない文章であれば、実用上のリスクは限定的だろう。ただし、企業の機密情報や、個人のプライバシーに関わる内容を入力する際は、よく考えた方がいい。結局のところ、利便性とプライバシーのバランスは、自分で判断するしかない。

日本のユーザーにとってどういう意味があるのか では、このアプリは日本の私たちにどう関係するのか。 まず前提として、Aqua Voiceが日本語に対応しているかは、元記事には明記されていない。多くの音声認識サービスは英語を中心に開発され、日本語対応は後回しになる傾向がある。現時点では、App Storeの説明や開発元の情報を確認する必要があるだろう（日本語対応していれば、日本のユーザーにとっても大きな恩恵がある。日本語の音声認識は、英語に比べて選択肢が限られているからだ）。 ただし、アプリのアプローチ自体は参考になる。キーボードとして統合し、どのアプリでも使えるようにする——この設計は、音声入力を「特別な機能」から「日常の入力手段」へと昇華させる鍵になる。他のアプリも追随する可能性がある。 また、Appleが純正の音声認識を強化するプレッシャーにもなるだろう。競合がこれほど高い水準を示せば、Appleも黙ってはいないはずだ。実際、iOSの音声認識は年々改善している。しかし、Aqua Voiceのようなクラウドベースのサービスと比較すると、まだ開きがあるのも事実だ。

まとめ——音声入力の「当たり前」が変わる予感 Aqua VoiceのiPhone版リリースは、単なる「新しいアプリの登場」以上の意味を持つ可能性がある。 これまで音声

背景

AI分野では新機能の発表そのものよりも、どの業務に使えるのか、既存のワークフローにどう組み込めるのかが評価を左右する。今回の発表も、性能だけでなく実運用での使い勝手まで見ておく必要がある。

重要なポイント

読者にとっての論点は、機能の新しさよりも導入判断に値する差があるかどうかだ。企業や開発者にとっては、既存ツールとの競合や置き換え余地まで含めて見ていく必要がある。

今後の焦点

続報では、提供条件、料金体系、既存モデルとの差、実際の利用例がどこまで示されるかを確認したい。