用語集
音声入力を、わかりやすく。
音声認識の用語を、1語につき1ページで。意味、実際に重要な理由、マーケティングでぼかされがちな点、そして実際に動作する様子を確認できる場所を紹介します。
Mac上で
音声入力に関わるmacOSの設定、キー、機能と、それぞれがある場所。
地球儀キーFnキー、ファンクションキー
地球儀キーは、Macのキーボードで地球儀の記号（多くの場合fnも）が刻印されたキーです。
定義を読む
音声コントロールMacの音声コマンド
音声コントロールは、macOSに組み込まれたアクセシビリティ機能で、Macを声だけで操作できます。
定義を読む
音声入力のコマンドMacの音声入力コマンド、句読点の音声コマンド
音声入力のコマンドは、Macで音声入力を使うときに、通常のテキストの代わりに句読点、記号、大文字、書式を入力するために話す言葉やフレーズです。
定義を読む
自動句読点自動の句読点入力
自動句読点は、Macの音声入力の設定の1つで、音声入力中にカンマ、ピリオド、疑問符を自動的に挿入します。
定義を読む
入力音量マイクの音量、入力レベル、マイクゲイン
入力音量は、選択したマイクやその他の入力装置からの音をどれだけ強く取り込むかを調整するMacの設定です。
定義を読む
マイクモードマイクモード、声を分離、ワイドスペクトル
マイクモードは、対応しているアプリで、Macのマイクが周囲の音をどう扱うかを変えるmacOSの機能です。
定義を読む
キーボード入力のセキュリティを保護Secure Event Input、セキュア入力
「キーボード入力のセキュリティを保護」は、Macのターミナルの設定です。
定義を読む
ライブキャプションリアルタイム字幕、ライブ文字起こし
ライブキャプションは、話し声のオーディオをリアルタイムで文字起こしして画面上のウインドウに表示する、macOSのアクセシビリティ機能です。
定義を読む
拡張音声入力拡張音声入力を使用、オフライン音声入力
拡張音声入力は、以前のmacOSの「キーボード」環境設定の「音声入力」パネルにあったチェックボックスで、音声認識ソフトウェアをMacにダウンロードし、オフラインで音声入力できるようにするものでした。
定義を読む
Siriと音声入力の改善オーディオ録音を共有、Siriと音声入力の履歴
「Siriと音声入力の改善」は、オプトイン方式のプライバシー設定です。
定義を読む
Apple Intelligence
Apple Intelligenceは、macOSに組み込まれたAppleの生成AI機能群で、テキストの書き直し、校正、要約を行う作文ツールなどが含まれます。
定義を読む
SpeechAnalyzerSpeechTranscriber、Speechフレームワーク
SpeechAnalyzerは、macOS 26とiOS 26で導入されたAppleのSpeechフレームワークのクラスで、アプリが話し言葉のオーディオをテキストに変換するために使います。
定義を読む
話しかける
音声入力がどう始まり、どう止まり、使っているAppにどう届くかを表す言葉。
音声入力
音声入力（ディクテーション）とは、話すことで文章を作ることです。
定義を読む
音声タイピング
音声タイピング（voice typing）は音声入力の別名で、キーボードを使う代わりに話してAppにテキストを入力することです。
定義を読む
文字起こしファイルの文字起こし
文字起こしとは、既存の音声や動画の録音を、あとからテキストに変えることです。
定義を読む
プッシュトゥトーク押したまま話す
プッシュトゥトークは、キーを押している間だけ録音する起動方式です。
定義を読む
音声区間検出VAD
音声区間検出（VAD）は、人が話しているのか、無音や背景ノイズなのかを判別する技術です。
定義を読む
ウェイクワードホットワード
ウェイクワードとは、「Hey Siri」や「アレクサ」のように、待ち受け中のデバイスを起動する話し言葉のフレーズです。
定義を読む
アクセシビリティの許可アクセシビリティの許可
アクセシビリティの許可は、あるアプリがほかのアプリのインターフェイスを読み取り、操作できるようにするmacOSの設定です。
定義を読む
どう聞き取るか
音声を言葉に変えるためのモデル、測り方、失敗のパターン。
音声テキスト変換STT
音声テキスト変換（Speech-to-text、STT）は、話された音声を文字に変換する技術です。
定義を読む
自動音声認識ASR
自動音声認識（ASR）は、人の話し声をテキストに変換する機械学習の分野であり、そのためのモデルの種類でもあります。
定義を読む
Whisper
Whisperは、OpenAIが2022年に公開したオープンソースの音声認識モデルのファミリーで、68万時間の音声で訓練され、約99言語に対応しています。
定義を読む
Parakeet
Parakeetは、NVIDIAのオープンソース音声認識モデルのファミリーです。
定義を読む
Neural EngineANE
Neural Engineは、Apple siliconチップの中で、CPUやGPUと並んで、機械学習モデルを効率よく動かすために作られた部分です。
定義を読む
ストリーミング文字起こしリアルタイム文字起こし
ストリーミング文字起こしは、話し終えてからではなく、話している最中に画面に言葉を表示します。
定義を読む
言語識別LID
言語識別とは、音声ソフトウェアが文字起こしの前に、または文字起こししながら、どの言語が話されているかを判断する処理です。
定義を読む
単語誤り率WER
単語誤り率（WER）は、音声認識の精度を測る標準的な指標です。
定義を読む
ハルシネーション
音声認識におけるハルシネーションとは、誰も言っていないのにモデルが生成するテキストです。
定義を読む
レイテンシキーを離してからのレイテンシ
音声入力におけるレイテンシとは、話し終えてから、完成したテキストがカーソル位置に表示されるまでの時間です。
定義を読む
話者ダイアライゼーション話者ラベル
話者ダイアライゼーションとは、録音の中で誰がいつ話したかを判別し、文字起こし結果に話者ごとのラベルを付けられるようにする処理です。
定義を読む
Whisper large-v3 turboWhisper turbo、large-v3-turbo
Whisper large-v3 turboは、OpenAIの音声認識モデルで、2024年10月1日にリリースされました。
定義を読む
Cohere Transcribecohere-transcribe-03-2026
Cohere Transcribeは、Cohereのオープンソースの音声認識モデルで、2026年3月にリリースされました。
定義を読む
Qwen3-ASRQwen3-ASR-1.7B、Qwen3-ASR-0.6B
Qwen3-ASRは、AlibabaのQwenチームによるオープンソースの音声認識モデルのファミリーで、2026年1月29日にリリースされました。
定義を読む
MLXApple MLX、MLXフレームワーク
MLXは、Apple siliconで機械学習を行うためのオープンソースの配列フレームワークで、Appleの機械学習研究チームが作っています。
定義を読む
Core MLCoreML、Apple Core ML
Core MLは、App内の機械学習モデルをデバイス上で動かすためのAppleのフレームワークです。
定義を読む
量子化モデルの量子化、4ビット、8ビット
量子化とは、モデルの数値を、1つあたりより少ないビット数で保存することです。
定義を読む
リアルタイムファクターRTF、RTFx
リアルタイムファクター（RTF）は、音声認識システムが音声の処理にかかる時間を、その音声の長さで割った値です。
定義を読む
何が出てくるか
そのままの文字起こしから、自分で打ったようなテキストになるまでに起きること。
非流暢性言いよどみ
非流暢性とは、流暢な発話が途切れることすべてを指します。
定義を読む
整形パス後処理
整形パスとは、音声認識の後に行われる処理で、未加工の文字起こし結果を、人がタイプしたようなテキストに変えます。
定義を読む
「そのまま」モード
「そのまま」モード（逐語モード）とは、出力が話した内容そのままになる音声入力の設定です。
定義を読む
句読点の音声入力音声コマンド
句読点の音声入力とは、「comma」「open paren」「new paragraph」のように記号や符号の名前を言い、音声入力ツールにその言葉ではなく記号を入力させることです。
定義を読む
テキスト展開スニペット
テキスト展開とは、短いトリガーを、住所、署名、定型の返信など、保存しておいた長いテキストに置き換える機能です。
定義を読む
個人用辞書カスタム語彙
個人用辞書とは、音声入力ツールに自分の綴りで書くよう教えた単語のリストです。
定義を読む
トーンマッチングレジスター
トーンマッチングとは、同じ音声入力の言葉を、入力先に応じて書き分ける整形機能です。
定義を読む
1分あたりの単語数WPM
1分あたりの単語数（WPM）は、テキストを生み出す速さの指標です。
定義を読む
どこで動くか
あなたの声が他人のデータになるかどうかを決める、2つの言葉。
いつだって、声のほうが速かった。
7日間無料、その後は$19 USDの買い切り。アカウント不要、サブスクリプションなし、アップロードなし。
macOS 14以降 · Apple silicon