結論：オフラインでも使えます
VoiceKeyboardは、インターネットなしでも音声を認識できます。RECOGNITIONをLOCALにしてモデルを選べば、LANケーブルを抜いた状態でも、話した言葉がどのウィンドウにも入力されます。録音をテキストにするFILES画面は、もともとこの方式です。ネットが必要なのは、最初にモデルをダウンロードするときだけです。
言語ごとに使えるモデル
オフラインで使えるモデルは5つあり、得意分野がそれぞれ違います。
| モデル | ダウンロード | テキストが出るタイミング | 言語 |
|---|---|---|---|
| Whisper | 75 MB～1,031 MB（5サイズ） | フレーズごとに | 選べるのは58言語。AUTOなら言語を判定して約99言語 |
| Parakeet v3 | 約670 MB | フレーズごとに | ヨーロッパの24言語。言語は自動判定 |
| Vosk | 言語ごとに約40～50 MB | 話しているあいだに | 15言語。言語ごとに小さなモデルを使う |
| GigaAM v3 | 約232 MB | フレーズごとに | ロシア語。句読点あり |
| T-one | 約144 MB | 話しているあいだに | ロシア語。句読点なし |
- 英語とスペイン語：Whisper、Parakeet v3、Vosk。
- ロシア語：5つすべて。GigaAM v3とT-oneはロシア語向けに作られています。
- 日本語とヒンディー語：WhisperとVosk。
- ドイツ語、フランス語、イタリア語、ポーランド語、ウクライナ語など：Whisperはすべてに対応。Parakeet v3はヨーロッパの言語のほとんど、Voskは一部に対応しています。
迷ったら、LOCALのモデル一覧のいちばん上にある「自動 — 言語別」のままにしておきましょう。話す言語に合わせて、ダウンロード済みのモデルからいちばん合うものが使われます。まだ1つもダウンロードしていなければ、その言語に合うモデルを提案してくれます。
パソコンの性能が影響するのはWhisperだけ
Whisperはいちばん高機能ですが、いちばん重いモデルでもあります。NVIDIAのグラフィックカードがあればCUDAで数倍速く動きますが、CPUだけでは遅く、音声入力では話すスピードに追いつかないことがあります。NVIDIAのカードがないノートパソコンなら、音声入力にはParakeet v3、GigaAM v3、T-one、Voskを選んでください。どれもCPUで問題なく動きます。
VoskとT-oneは、話している途中から文字が出てきます。Whisper、Parakeet、GigaAMは、話の切れ目を待ってからフレーズをまとめて入力します。そのぶん、句読点はたいていこちらのほうが正確です。
ファイルや録音の文字起こしもオフラインで
FILESは常に、パソコン上のWhisperで文字起こしします。パソコンに保存した録音なら、モデルとFFmpeg（アプリがインストールを案内する無料の変換ツール）が入っていれば、ネットなしで処理できます。動画のリンクは例外で、先に音声をダウンロードする必要があります。ダウンロード後の認識はオフラインです。詳しくは音声・動画ファイルをパソコンだけで文字起こしする方法をご覧ください。
インターネットが必要な場面
- モデルのダウンロード（最初の1回だけ）。公式の配布元から取得し、予備としてvoice-keyboard.comのミラーも使います。
- オンラインエンジンのGoogleとSoniox。LOCALに切り替えていれば使われません。
- FILESの動画リンク（音声をダウンロードするため）。
Proも、支払い済みの期間が終わるまではオフラインのまま使い続けられます。
オフラインで使うメリット
ローカルのモデルなら、音声がパソコンの外に出ません。モデルが聞き取って入力したら、音声はそれきりです。顧客との通話、患者についてのメモ、法律文書の下書き、秘密保持契約のあるコードを扱う人には大事なポイントで、勤務先でクラウドの音声サービスが認められていない人にも向いています。回線が遅くて待たされることも、機内で音声入力が使えなくなることもありません。
一方で、聞き取りにくい音声には、オンラインのエンジンのほうがたいてい強いのも事実です。Sonioxは文の途中で言語が変わっても聞き分けます。ふだんはLOCAL、必要なときだけONLINEと使い分ける人も多くいます。2つの比較はオンラインとローカルのエンジンのページにあります。
Windows標準の音声入力との違い
Windows 10と11には最初から音声入力（Win+H）が入っていますが、Microsoftのヘルプには「uses online speech recognition, which is powered by Azure Speech services」（Azure Speech サービスを利用したオンライン音声認識を使う）と書かれています。つまり、ネットにつながっていないと使えません。詳しい比較はWindows標準の音声入力とVoiceKeyboardの比較をご覧ください。
試してみる
VoiceKeyboardをインストールし、RECOGNITIONをLOCALにして、使う言語のモデルをダウンロードします。あとはWi-Fiをオフにして、好きなウィンドウにカーソルを置き、Ctrl+1を押すだけです。
