TypeWhisper とは — ローカル完結の音声入力アプリ、Mac/Win対応

TypeWhisper（公式サイト）は、デスクトップ上でローカルに音声認識を実行する音声入力（speech-to-text）アプリである。macOS版はSTABLE 1.5、Windows版はSTABLE、iOS版はALPHAとして提供されており、Made in Germanyのプロダクトである。グローバルホットキーを押して話すだけで、確定したテキストがカーソル位置のアプリに直接挿入される、システム全域のディクテーションツールだ。

TypeWhisperの基本的な使い方はシンプルである。あらかじめ設定したグローバルホットキーを押し、話しかけると、音声がローカルで認識され、確定テキストとしてカーソルのある位置——メールソフト、チャット、ドキュメント、ブラウザのフォームなど、OS上のどのアプリであっても——に直接挿入される。特定のアプリを開く必要はなく、いま作業しているウィンドウにそのまま文字が入力される。

- システム全域の音声入力: グローバルホットキーを押して話すだけで、カーソル位置のアプリに確定テキストを直接挿入
- ファイルの文字起こし: 音声ファイルを読み込んでテキスト化
- ワークフロー: ドラッグ&ドロップでの処理順並べ替え、指定フォルダを監視する自動ジョブ
- 辞書・スニペット・履歴: よく使う語句や定型文を登録し、変換履歴を確認
- エンジン上書き: ディクテーションごとに認識エンジン・モデルを個別に切り替え
- ローカルHTTP API: 外部ツールとの自動化連携

音声入力やファイルの文字起こし以外にも、複数のグローバルホットキーを併用したり、ローカルHTTP APIを使って外部ツールと連携させたりすることができる。

1.5では、開いているアプリを認識して挙動を変えるアプリ認識ディクテーション、辞書の学習機能、ローカルモデルのメモリ保持、クラウドASRへのアップロード、フルスクリーンインジケータなどが強化された。

TypeWhisperはローカルファーストを掲げており、音声認識はデスクトップ上でローカルに実行される。テレメトリなし・サブスクリプションなし・クラウド必須の依存関係なしで動作し、コア部分はオープンソースとして公開されている（GitHub 1.8kスター）。コアアプリ自体は無料で、誰でもソースコードを確認・利用できる。

有料メニューはCommercial license（買い切り型の商用ライセンス）のみで、サブスクリプション型の課金モデルは採用していない。このライセンスで解放される機能は主に2つである。1つはCloud Folder Syncで、自分が管理するiCloud Drive、Dropbox、OneDrive、Syncthingなどのクラウドストレージを使って辞書やスニペットを端末間で同期できる機能だ。TypeWhisper独自のアカウント作成は不要で、同期経路も自分の既存ストレージをそのまま使う設計になっている。もう1つはAutomatic Correction Learningで、テキスト挿入後に確信度の高い修正（人名や専門用語、繰り返されるタイポなど）を学習し、次回以降の変換に自動反映する機能である。これらの有料機能を使わなくても、コアアプリはローカルファーストの音声入力ツールとしてそのまま無料で利用できる。

TypeWhisperはプラグインハブを持ち、公式プラグイン・コミュニティプラグイン・手動追加のプラグインを組み合わせて認識エンジンを拡張できる。付属のSDKを使えば、自作のプラグインを開発することも可能だ。代表的なプラグインとしては、LPU（Language Processing Unit）による超高速なクラウド文字起こし・LLM処理を提供するGroq、そしてApple Silicon向けに最適化されたローカル文字起こしエンジンであるNVIDIA Parakeet TDT（同梱）がある。クラウドの処理速度を選ぶか、端末内で完結する処理を選ぶかを、用途に応じてプラグイン単位で切り替えられる構成になっている。

音声入力の選択肢は大きく「OS標準の音声入力」「クラウド型の音声認識サービス」「TypeWhisperのようなローカルファースト型アプリ」に分けられる。それぞれの特徴を整理すると、以下のようになる。

誇張せず事実として言えるのは、TypeWhisperがローカル処理を基本にしつつ、Groqのようなクラウド系プラグインも選択肢として用意している点、そして買い切り型のCommercial licenseという料金モデルを採っている点である。どの選択肢が適するかは、扱う情報の機密性や、必要な処理速度、既存のワークフローとの相性によって変わる。

議事録の下書き、顧客名や案件名を含む社内メモ、契約条件に触れるやり取りなど、外部に出したくない情報を音声で入力する場面は少なくない。クラウド型の音声認識サービスを使う場合、音声データが外部サーバーに送信される構成が一般的であり、その取り扱いはサービスの規約やインフラに依存する。TypeWhisperはローカルで音声認識を実行する構成を基本としているため、そうしたデータを外部サーバーに送らない選択肢として使える場面がある。もちろん、Groqのようなクラウド系プラグインを併用すればその限りではなく、どのエンジンを使うかは用途に応じて選ぶ設計になっている。

同様にApple Siliconでのローカル文字起こしを扱う近縁ツールとしては、Qwen Scribe（ローカル文字起こし）もある。文字起こしを主眼とするか、システム全域への音声入力を主眼とするかで、選ぶツールの軸が変わってくる。

TypeWhisperは、グローバルホットキーで話すだけでカーソル位置に直接テキストを挿入する、ローカルファーストの音声入力アプリである。コアは無料のオープンソースで、テレメトリなし・サブスクリプションなしという構成を採る一方、Cloud Folder SyncとAutomatic Correction Learningの2機能だけを買い切り型のCommercial licenseで提供している。プラグインハブによりGroqのようなクラウド系エンジンも選択肢に加えられるため、処理速度を優先するか、ローカル処理を優先するかを場面ごとに選べる点が特徴といえる。