TypeWhisper - Free local speech-to-text

TypeWhisper - Free local speech-to-textの紹介

TypeWhisperは、macOSおよびWindows向けのオープンソース・オンデバイス音声認識アプリケーションです。ユーザーの音声データを一切クラウドに送信せず、完全にローカルで文字起こしを行うことを目的としています。このソフトウェアは、プライバシーとオフライン機能を重視するプロフェッショナル、開発者、ライター、教育関係者、およびアクセシビリティ支援を必要とするユーザーを対象としています。

クラウドベースの代替ソリューションとは異なり、TypeWhisperはユーザーのデバイス上で完全に実行され、すべてのAIモデルがローカルで処理されます。文字起こし中はインターネット接続を必要とせず、アカウント登録やテレメトリ、データ収集もありません。GPLv3ライセンスにより、ソースコードの検証、修正、再配布が自由に行えます。

主なポイント

• クラウド処理、APIキー、インターネット接続を一切必要としない完全なオンデバイス動作
• WhisperKit（99言語以上対応）、Parakeet TDT v3（25の欧州言語対応）、Apple Speech（macOS 26+、約40言語対応）の3つのローカル音声認識エンジンを搭載
• グローバルホットキーによるシステム全体でのプッシュトゥトーカーまたはトグル式音声入力機能。任意のアプリケーションで使用可能であり、認識結果は自動的にアクティブなテキストフィールドに挿入される
• オーディオ・動画ファイルのドラッグアンドドロップによる一括文字起こし。SRTおよびWebVTT形式のタイムスタンプ付き字幕としてエクスポート可能
• スクリプト、自動化ツール、サードパーティアプリケーションとの連携を可能にするローカルREST HTTP API
• アプリケーションごと、またはURLごとに言語、エンジン選択、翻訳設定、動作をカスタマイズできるコンテキスト対応プロファイル機能
• 検索可能な文字起こし履歴、およびmacOS互換環境におけるApple Speechのゼロコンフィグレーションセットアップ

TypeWhisperの仕組み

TypeWhisperは以下の3ステップで動作します。まず、ユーザーは任意のアプリケーション内で使用可能な構成可能なグローバルキーボードショートカットを押して録音を開始します。次に、選択されたオンデバイスAIエンジンによって音声がリアルタイムで処理され、WhisperKitではストリーミングプレビューが利用可能です。最後に、生成されたテキストが現在フォーカスされているテキスト入力欄に自動的に挿入され、手動でのコピー＆ペーストを不要とします。

ライブ音声認識に加えて、TypeWhisperはファイルベースの文字起こしにも対応しています。ユーザーはオーディオまたは動画ファイルをアプリケーションウィンドウに直接ドラッグすることで、タイムスタンプ付きの文字起こしを生成できます。ローカルHTTP APIはlocalhost上でエンドポイントを提供し、外部ツールやカスタムスクリプトとのプログラム連携を可能にします。エンジン選択、モデル管理（WhisperKitおよびParakeetはアプリ内手動ダウンロード、Apple SpeechはmacOSによる自動管理）、およびプロファイル設定は、アプリケーションのネイティブインターフェースから行います。

主な利点と用途

TypeWhisperは、ハンズフリー文書作成、運動機能または視覚障害のあるユーザー向けのアクセシビリティ支援、多言語ノート作成、教育用または社内向け動画コンテンツのキャプション生成、およびローカルAPIを活用した開発者向けツールなど、さまざまな実用的な用途に適しています。アプリケーションごとのプロファイル機能により、たとえばメッセージアプリでは日本語翻訳付きWhisperKitを使用し、ワードプロセッサでは英語向けApple Speechを自動で切り替えるといった柔軟な運用が可能です。ファイル文字起こし機能は、ポッドキャストや研修用動画の字幕作成など、コンテンツ制作者のワークフローを支援します。すべての処理がローカルで行われるため、法務、医療、政府機関など、データ所在および機密性が厳格に求められる環境においても、コンプライアンス要件を満たします。