デバイス上での処理

製品ページの「ローカル」には、いくつかの意味があり得ます。認識はデバイス上で行い、整形はクラウドで行うもの。認識はデフォルトでローカルだが、オプションでクラウドモデルも使えるもの。パーソナライズのためにアップロードされる画面コンテキスト以外はすべてローカルのもの。あるいは、録音、認識、整形、辞書、履歴、あらゆる状況の読み取りまで、本当にすべてがマシン上で完結するもの。ネットワークをオフにしても何も失わないのは最後のものだけで、自分のディスク以外のどこにも言葉のコピーが存在しないのも最後のものだけです。

手間の少ない順に3つのテストがあります。Wi-Fiをオフにして音声入力してみてください。完全にデバイス上で動くツールなら、まったく同じように動作します。Little Snitchのようなネットワークモニタを開いてそのアプリに絞り込み、1時間音声入力してみてください。自分で始めたモデルのダウンロードやアップデートの確認など、開発元が文書化している接続以外は何も見えないはずです。プライバシーに関する声明を読み、アプリが行うすべての接続とその理由が書かれているか確認してください。3つすべてに合格したツールは、その言葉を名乗る資格があります。ポリシーのページは意図を説明し、ネットワークモニタは実際の動作を示します。

2つのものが同時に登場しました。クラウドのエンジンに対抗できるほど優れたオープンな音声モデルと、それを動かす機械学習専用のハードウェアを備えた一般向けのチップです。Apple siliconなら、大きな認識モデルと小さな言語モデルを、ノートパソコン上でリアルタイムに並行して動かせます。かつてローカルのツールの特徴だった「遅くて精度が低い」という妥協はほぼなくなり、クラウド処理の利点として残るのは、デバイス間の同期くらいです。

Appleの音声入力は、Macと言語によって、デバイス上で処理される場合とAppleのサーバで処理される場合があります。どちらなのかを推測する必要はありません。macOSが設定画面で教えてくれます。

1. 01 アップルメニュー→「システム設定」と選択し、サイドバーで「キーボード」をクリックします。
2. 02 「音声入力」に移動します。
3. 03 「音声入力」のスイッチの下にある説明を読みます。音声入力の内容がデバイス上で処理されるかどうかが書かれています。
4. 04 複数の言語で音声入力する場合は、音声入力の言語を切り替えて説明をもう一度読みます。対応状況は言語やMacのモデルによって異なるためです。
5. 05 デバイス上で処理されると書かれていない場合は、音声入力した内容は処理のためにAppleに送信されると考えてください。

アクティビティモニタはどのMacにも入っていて、何もインストールせずに最初の確認ができます。データの送り先まではわかりませんが、話している間にデータが動いているかどうかはわかります。

1. 01 ブラウザや同期ツールなど、ネットワークを多く使うアプリを終了して、測定値が落ち着くようにします。
2. 02 アクティビティモニタAppを開き、「ネットワーク」をクリックします。
3. 03 ウインドウの下部を見て、「送信データ」と「送信データ/秒」の値をメモします。
4. 04 テキストエディタに、まる1分間音声入力します。
5. 05 数値を比べます。1分間の音声がMacの外に送られていれば、送信データがはっきり増えます。横ばいなら、デバイス上で処理されているということです。
6. 06 「システム設定」→「Wi-Fi」でWi-Fiをオフにして、もう一度試します。それでも動くツールは、認識をサーバに頼っていません。

デバイスと言語によって異なります。「Siriと音声入力」に関するAppleのプライバシー通知によると、音声と文字起こしがデバイス上で処理されてAppleのサーバに送信されないかどうかは、「キーボード」設定に表示されます。

そうでない場合、同じ通知によれば、音声入力した内容はサーバに送信されてそこで処理され、「Siriと音声入力の改善」にオプトインしない限り保存されません。Appleは、デバイスの仕様やパフォーマンス統計など、関連するリクエストデータを収集することも説明しています。

どのツールでも、確認すべき点は同じです：音声がローカルにとどまるのはどんな場合か、そうでないのはどんな場合か、ほかに何が送信されるかが明確に書かれているかどうかです。最善のケースしか説明していない記述は、十分な答えではありません。