Gemini Speak｜無料の高性能音声入力です

こんにちは、マサトです。

昨日、友人のメルマガを見ていて、過去の記事で有料の音声入力ツールがおすすめだというのを見たので、それをダウンロードしました。

しかし元はGitbhub にあるというので自作をお試みた結果Geminiがいちばんでした。以下Gemini Speakで作成した文章で、読まなくていいですが、軽く文字起こしの精度を見てください。

MAC純正の音声入力を使ってる人は100％能力爆上がりするので感動しますよ。
ぼくがそうだったのでw

以下の要約。

• Claude Fableに頼んで15分で音声入力システムを自作したのに、fnダブルクリックで実際に立ち上がっていたのはGemini Speakだった。

• 自作版はClaudeで整形する分5〜15秒かかっていたが、Gemini Speakは無料でUIも文字起こし精度も十分強い。おそらくGoogle Meetの文字起こしと同じエンジンで、LINEもSubstackもCLIもどこでも使える。

• 有料の音声入力ソフトを買うのはやめて、これからはGemini Speakを使う。大手LLMがSaaSを飲み込む波には抗わず乗っていく。

こっから音声でぐだぐだしゃべって入力したよ↓

Claude Fabreにこれと同じものを作るか、またはこれ以上のアプリを作れないかというのを質問したんですよ。

そしたら、「できる」と回答してきたので、構築を全てお願いしていました。

で、いざ実装しようと思って、Macのfnボタンをダブルクリックして、僕は音声入力を今まで使っていたので、そこのキーに割り当てて使ったんですけど、なんと立ち上がっていたのはGemini Speak。

これからGemini Speakって何かというのを説明していくんですけど、自作していた全ての音声システム、まあ15分ぐらいでFabreで作っただけなんですけど、それを完成して使ってすげえ質いいじゃんって思ってたんですが、実は立ち上がっていたのがGemini Speakでした。

で、自作したやつは、Claudeで音声で上がってきたものを整頓、整備して、ちゃんとしたものに出力するっていう機能を自分で作ったんですが、まあなんか5秒とか、長い時15秒とかかかってたんですよね。それめんどくさいなって思ってて。でもなんかUIとかすごい分かりやすいし、この音声の波形とかも最初から出てすごいなと思っていたら、これ全部Gemini Speakでした。

正直、有料の音声入力ソフトを購入するより、無料のGemini Speakでいいかなと思っています。この文章も全部Gemini Speakを使ってライティングしているんですが、文字起こし機能がかなり強くないですか？

おそらく、Google MeetにもGeminiの文字起こしがあって、そこで使われているものと同じなのかなと思います。GeminiのGoogle Meetは、今もう1人用にもなっています。1人用の文字起こしツールみたいにもなってて、オフラインでクライアントに会うときは、パソコン立ち上げてGoogle Meet開いて、文字起こしをさせつつクライアントとお喋りするみたいなことをやっているんですが、そうすると終わったあとに会議の内容の要約と、次にやることと、全文の文字起こしが出てくるんですね。

それをPCに入れて、もっとネイティブにどこでも使えるようにした感じかなと思います。LINEの返信とかでも使えるし、もちろんこのSubstack上でも使えるし、CLIでも使います。音声入力のソフトを入れようと思ってたんですけど、正直Geminiで良さそうなので、これからこれを使っていきます。無料なのでね。

どんどん無料になって、大手LLMが他のSaaSを吸収していくんですが、まあこの波はしょうがないと思うので、ここに乗っていきましょう。ということで、Gemini Speakの紹介でした。

ーーー

案外読めますねw

誤字も誤変換もなさそう。Mac純正の文字変換はSEOとかって言うとだいたい誤字ってくるし、100万円とかってやるとかなりテキストがバグるんですよ。そういうのもないのでかなり便利です。

Mac純正と同じくらいのスピードの速さで立ち上がる、喋りつつ文字起こしくれないのは少しネックな気もしますが、まあ、別にいいかなと。

めちゃめちゃ早いです。それも評価基準ですね。自作したやつは15秒くらいかかって使い物にならなかったので。

ということで、もし文字起こしツールの導入を検討している方がいれば、ぜひGeminiを使ってみましょう。デスクトップアプリから、知らないうちに勝手に使えるようになっていました。

声の分離もできるのがいいところですね。Apple純正には基本的に備わっていますが、声の分離をすることで、うるさい外とかでも電話してるフリとかで入力できるのかなと思います。ということでまた。