LesskeysMac や PC でのローカル文字起こしの仕組み
ローカル文字起こしは、コンピュータに保存され、そのコンピュータ自身のプロセッサで動く音声認識モデルを使って、音声をテキストにします。サーバーもインターネット接続も使いません。音声を入れると、コンピュータの中で 5 つの手順が進み、テキストが出てきます。
macOS 13+（Apple Silicon） · サブスクリプションなしWindows 10 と 11 · サブスクリプションなし
最終確認日
5 つの手順
話してからテキストになるまでに何が起きるのか
- 聞き取る。音声は、マイク、ファイル、またはコンピュータから流れる音から入ってきます。
- 整える。アプリが話している部分を見つけ、音量をそろえ、録音を小さな単位に切り分けます。
- 文字にする。アプリが各単位を、そのコンピュータの上でテキストにします。
- 話者を分ける（任意）。声を話者ごとにまとめます。話した人数は自分で指定します（既定は 2）。話した人数（1〜4、または任意の数）を指定すると、Lesskeys が声をまとめます。
- まとめる。各単位が 1 つの文字起こしになり、頼んでいれば話者ラベルも付きます。どの手順もコンピュータの中で行われました。
話者ラベルについては、話者分離をご覧ください。
お使いのコンピュータ上で
コンピュータで動いているのは何ですか？
必要なものはすべて、コンピュータの中にあります。
小さなスターター用モデルがアプリに入っているため、音声入力は初回の起動から使えます。大きなモデルは一度ダウンロードすれば残ります。動作環境はmacOS 13 以降、Apple Silicon（M1 以降）Windows 10（バージョン 1903 以降）または Windows 11です。
インターネット
インターネットが必要になることはありますか？
ダウンロードのときだけです。
より大きく精度の高いモデルを選んだときのダウンロードと、初めて話者ラベルを付けるときの小さな追加ダウンロードがあります。それ以降は、接続は不要です。ローカルとクラウドの比較はオンデバイス文字起こしとはで、自分で実行できるテストもあります。
Mac の場合
Mac で十分な速さですか？
私たちのテストでは、Mac 1 台で 1 時間分の音声に、精度の高いほうのモデルで約 5 分、小さいモデルで約 2 分かかりました。
古い Mac では遅くなります。音声入力は話し終えてからテキストを書き出すため、ライブ字幕ではなく、少し待つ形になります。処理は Mac 自身の Apple Silicon チップで動きます。
出典：私たちによる測定。Mac で使う Whisper モデルの選び方に掲載。
Windows の場合
PC では何をしていますか？
重い処理は Vulkan 対応のグラフィックスカードが担当し、なければプロセッサが行います。
64 ビットの Intel または AMD の PC では、Lesskeys は Vulkan 対応のグラフィックスカードがあればそれを使い、なければプロセッサに切り替えます。ARM64 版はプロセッサで動きます。音声入力は話し終えてからテキストを書き出すため、ライブ字幕ではなく、少し待つ形になります。Windows では 1 時間分の音声にかかる時間を測っていないため、その数値はありません。
質問
ローカル文字起こしについての質問
オフラインの文字起こしはどのように動きますか？
コンピュータに保存されたソフトウェアが、サーバーを使わずに端末の中で音声をテキストにするので、インターネットがオフでも動きます。
ローカルの文字起こしは遅いですか？
いいえ。Apple Silicon 搭載の Mac 1 台での私たちのテストでは、1 時間分の音声が、精度の高いほうのモデルで約 5 分でした。古い Mac では遅くなります。Windows では計測していません。
クラウドなしで、どうやって話者を見分けるのですか？
コンピュータ上の別々のツールが、録音全体で声を比較し、話者ごとにセグメントをまとめます。話した人数は指定でき、サーバーには何も送られません。
もっと見る