聞き取り

アプリが聞き取るもの

アプリは 2 つのチャンネルを聞き取ります。マイク（あなた）と、パソコンの音声（ほかの参加者）です。それまでに聞き取った言葉はすぐに「話し中…」の吹き出しに表示され、フレーズが終わると完成したフレーズに置き換わります。

音声をテキストにする場所

設定、次に 詳細設定、次に オーディオ、次に 文字起こし設定›詳細設定›オーディオ›文字起こし で選びます。

• ローカルの音声認識（「エンジン」ボックスの「このパソコン」）：音声はあなた自身のパソコン上でテキストになり、音声はパソコンから出ません。音声モデルは最初の起動時に一度だけダウンロードされ（「高速」：約 265 MB、「バランス」：約 575 MB）、準備ができるまでは何も文字に起こされません。モデルはローカルモデルボックスで選びます。自動（既定）は、音声に追いつけるグラフィックカードがあれば「バランス」、なければ「高速」を使います。高速はどのパソコンでも動きます。 バランスはより正確で、グラフィックカードか Apple Silicon が必要です。アプリがグラフィックカードを見つけた場合は、ボックスの下にGPU を使用スイッチ（既定でオン）が表示され、代わりにプロセッサーで音声認識を行うこともできます。
• 当社のホスト型サービス（アプリでは「クラウド（letmesoloit.com）」。All-Inclusive、または Credit Pack 付きのプラン）：音声は当社のサーバーを経由し、クレジットで支払います。ストリーミングのオプションでは、話している間に言葉が表示されます。フレーズと同じく、ストリーミングも送信したすべての音声に対して、10 秒ごとに 1 クレジットが課金されます。名前や珍しい言葉を正しく表記できるよう、アプリは音声と一緒に最大 100 語を送ります。まずあなた自身のリスト、次に使用中のプロファイルの「自己紹介」から名前らしい言葉です。リストは 設定、次に 詳細設定、次に オーディオ、次に 文字起こし、次に 正しく表記する単語設定›詳細設定›オーディオ›文字起こし›正しく表記する単語 にあり、言葉はカンマで区切ります（空の欄には「例：Kubernetes, Grafana, 同僚の名前」と表示されます）。ホスト型の音声認識は、近い音を聞いたときにこれらの表記を優先します。自分のキーで設定したサービスは、対応していればこのリストを受け取ります。このパソコン上のモデルはリストを無視します。
• 自分のキーで設定したサービス。
• 自動（既定）は、プランに当社のホスト型サービスが含まれていてクレジットが残っている間は、すべての言語、すべてのパソコンでそれを使い、サービスがストリーミングに対応していればストリーミングします。それ以外はローカルの音声認識を使います。当社のサービスに接続できないときや失敗したときも、ローカルの音声認識が代わりを務めます。当社のホスト型サービスがない場合、チャットは音声モデルのダウンロードが終わるまで待ち、その進行状況が表示されます。「自動」が自分のキーで設定したサービスを使うことはありません。

ローカルモデルのダウンロードが終わると、状態が「モデル準備完了」になり、ダウンロードの矢印がごみ箱に変わります。ごみ箱でモデルを削除できます。

それぞれの選択で何が送られ、何が保存されるかはプライバシーポリシーをご覧ください。

自分のキーで使うクラウドサービス

設定、次に 詳細設定、次に オーディオ、次に 自分のキーでのクラウド音声認識設定›詳細設定›オーディオ›自分のキーでのクラウド音声認識 でサービスを選び、API キーを貼り付けて、モデルを選びます。アプリはキーをテストし、使えるかどうかを表示します。その後、そのサービスの「自分のキー」の選択肢をエンジンとして選びます。サービスが拒否した場合は、ウィンドウにその理由が表示されます。以下の「…」は、サービスの名前と、メッセージのリンク先である設定内の場所を表します：

• … がキーを拒否しました。…で確認してください。キーが間違っているか、もう有効ではありません。
• … によると、このキーにはクレジットまたは利用枠が残っていません。アプリからは変更できないため、サービス側のダッシュボードでアカウントにクレジットを追加するか利用枠を引き上げるか、別のエンジンを選んでください。
• … は、…で設定されたモデルを提供していません。同じ場所で別のモデルを選んでください。
• … がリクエストを制限しています。一部のフレーズが認識されない場合があります。制限が解除されると、再び届くようになります。

言語

音声認識とヒントは 12 の言語で使えます。英語、ウクライナ語、ロシア語、ドイツ語、スペイン語、フランス語、日本語、ポーランド語、スウェーデン語、中国語、韓国語、ポルトガル語です。設定、次に 言語設定›言語 にある 1 つの設定通話の言語で扱い方を選びます。既定は英語です。選んだ言語はそのまま聞き取られ、検出は行いません。自動は、このパソコン上の音声認識か当社のホスト型サービスで通話の双方が話す言語を検出し、当社のホスト型サービスが回答します。ヒントはあなたの言語で返されます。自分のキーで設定した音声認識サービスや、自分のプロバイダーからの回答では、常に選んだ言語で聞き取ります。その場合、一覧に「自動」はなく、保存済みの「自動」は英語として動作します。これは経路に合わせてリアルタイムに変わります。通話中に回答が自分のプロバイダーに移ると、検出は止まり、行が変わります。

「自動」では、検出は通話の双方でそれぞれ別々に行われます。どちらの側も、3 秒以上の声を含む 2 つの別々の発話が同じ言語で一致すると確定します。4 回の発話またはその側の声で 30 秒たっても一致しない場合は、それまでに最も長く聞こえた言語に確定します（同じ長さの場合は最も新しいもの）。さらに、このパソコン上の小さな言語検出器が、3 秒以上の声を含む各フレーズを聞いています。フレーズが 12 の言語のうち別の言語だと確信すると、通話のその側はそのフレーズからすぐにその言語に切り替わり、回答もそれに合わせます。マイクの側は、互いに 20 秒以内に始まる 2 つの連続したフレーズで、検出器が同じ新しい言語を確信したときだけ切り替わります。マイクには部屋の音や自分のスピーカーの音も入るためです。その場合、2 つのフレーズはどちらも新しい言語で表示し直されます。それより短いフレーズは数えないので、「OK」や名前で切り替わることはありません。どちらかの側が確定するまでは、もう一方の側の言語を、それもなければ英語を使います。このパソコン上の音声認識は音声から、当社のホスト型サービスは完成した各フレーズのテキストから言語を検出します。ストリーミングでは、各側のストリームはその側の直前の言語ですぐに開くので（以前の通話でのその側の言語をこのパソコンに保存したもの、なければもう一方の側の言語、それもなければ英語）、最初の 1 秒からテキストが表示されます。検出器が別の言語を聞き取ると、アプリは音声を含まない、その言語を示す短い信号をストリームに送ります。当社のホスト型サービスはすでにある音声からそのフレーズを新しい言語で聞き直し、新しいテキストが表示中のものに置き換わります。二重に送信や課金されることはありません。ヒントはあなた自身の側の言語で、なければ通話の言語で回答します。

選んだ言語はそのまま聞き取られます。音声はその言語だけで読み取られ、検出も自動の切り替えもなく、回答もその言語に従います。第 2 言語へはショートカット 1 つで切り替えられます。ヒントをご覧ください。

ローカルの音声認識に必要なもの

以下の数値はおおよその目安です。メモリやディスクを含め、各システム全体に必要なものは動作環境をご覧ください。

• 動作環境の表にあるグラフィックスがあれば、2 コア（4 スレッド）と 8 GB のメモリで十分です。ない場合、英語、ロシア語、ドイツ語、スペイン語、フランス語、日本語、ポーランド語、スウェーデン語はプロセッサーだけで動きます。通話の双方に追いつくには 8 コア（16 スレッド）と 16 GB のメモリ、最低でも 6 コア（12 スレッド）と 8 GB 程度が必要です。
• ウクライナ語、中国語、韓国語、ポルトガル語と、より正確な「バランス」モデルには、グラフィックカードが必要です。「バランス」には 4 GB 以上のビデオメモリが必要で、動作環境にメーカー別のカードを記載しています。ノートパソコンの内蔵グラフィックスで動くのは「高速」モデルだけで、ほぼリアルタイムです。Windows と Linux では、カードに Vulkan ドライバーが必要で、現在の NVIDIA、AMD、Intel のドライバーには含まれています。
• 測定例（2026-10-14、実際の通話を音声で再生）：AMD Radeon Vega 3 グラフィックスを搭載した 2 コア 4 スレッドのローエンドのノートパソコンでは、言語が分かっていれば「高速」は 1 フレーズあたり約 3 秒で、フレーズの終わりから約 3.5〜5 秒でテキストが表示されます。言語を検出している間は 1 フレーズに約 5 秒かかります。このパソコンでは「バランス」は遅すぎ、「自動」はそれを選びません。GeForce GTX 1650 では、「バランス」は 1 フレーズあたり約 1.3 秒（検出中は約 2.1 秒）で、カード上に置かれたままです。交互に話す通話なら追いつけますが、双方が間を置かずに話し続けると追いつけません。
• 当社のホスト型サービスを含むプランでは、「自動」はこの 4 言語も含めすべての言語をそこへ送るため、パソコンのハードウェアは関係ありません。含まないプランでは、「自動」は追いつける最良のモデルでこのパソコン上で処理しますが、グラフィックカードや Apple Silicon がないと遅れることがあります。
• グラフィックカード上のモデルが遅すぎる場合、「自動」はまずプロセッサーで一度試し、速く読み取れた方を使い続けます。切り替えた場合は「音声認識を…に切り替えました」と表示します。このバージョンのアプリでは、もう一度試すことはありません。それでもパソコンが遅れる場合は、アプリがそれを知らせ、より速い選択肢を示します。当社のホスト型サービスを含むプランでは「高速」か当社のサービス（「高速」でも遅すぎる場合は当社のサービスのみ）、含まないプランでは「高速」か、表示される場合は「GPU を使用」スイッチ（「高速」でも遅すぎる場合はスイッチのみ）です。アプリは最も速いローカルの選択肢を使い続けて字幕をほぼリアルタイムに保ち、自動で音声をクラウドに送ることはありません。

マイクとスピーカー

設定、次に 詳細設定、次に オーディオ設定›詳細設定›オーディオ には、マイクとスピーカーの音源が一覧表示され、使用中のものが示されます。変更は「保存」ですぐに反映されます。開けないデバイスを選んだ場合は、前のデバイスが使われ続けます。保存したデバイスが聞き取り開始時に接続されていない場合（ヘッドホンの電源が切れているなど）、その回はシステムの既定のデバイスに置き換わります。設定は残るので、次にそのデバイスがあるときはまた使われます。macOS では選べるスピーカーはありません。アプリは「画面収録」の許可を使って、パソコンの音声を直接聞き取ります。

音声検出

下の画像で番号を振った「音声検出」セクションで、何を音声とみなすかを決めます。2 つのしきい値は、音を声とみなす音量の基準で、マイク用（既定 100）とほかの参加者用（200）があり、それぞれ 1〜10,000 です。自分の発言にもヒントは既定でオフです。アプリはほかの参加者の発言に回答し、これをオンにするとあなたの発言にも回答します。スピーカーのエコーを除去は既定でオンで、スピーカーから戻ってきた通話の音声だけのマイクのフレーズを取り除きます。感度を自動調整は既定でオンです。アプリが聞き取っている間、各しきい値は保存した値の半分から 2 倍の範囲で通話に合わせて変わり、保存はされないため、次の起動時はまた保存した値から始まります。調整を提案は既定でオンです。片方の側が認識されない状態が続くと、「調整」リンク付きのお知らせが表示されます。オフにするとお知らせは出なくなりますが、設定の「調整」はどちらの場合も使えます。

調整

片方の側が認識されない状態が続くと、ウィンドウに「相手の声が聞き取りにくい状態です。音量を確認するか、調整してください。」（または「マイクの声が」）と表示されます。まずシステムの音量と、設定、次に 詳細設定、次に オーディオ設定›詳細設定›オーディオ で正しいマイクとスピーカーが使われているかを確認してください。

次に、アプリが聞き取っている間に調整します。お知らせの「調整」リンクを押すと、設定、次に 詳細設定、次に オーディオ設定›詳細設定›オーディオ の「音声検出」の見出しにある 2 つの調整ボタン、 と が表示されます。「マイクを調整」（ツールチップ「マイクを調整」）は、3 秒間静かにしてから、文を 3 回声に出して読むよう求めます。「スピーカーを調整」（ツールチップ「スピーカーを調整」）は、あなたが静かにしている間に、短い音声をスピーカーから 3 回再生します。アプリは背景の雑音と声の間に基準を設定し、「保存」でそれを保存します。声が雑音よりはっきり大きくない場合は、アプリがそれを知らせ、何も変更しません。

マイクをミュートする

Ctrl+Alt+M またはアクションバーの を押すと、アプリはあなたの声を聞き取らなくなります。マイクの音声は文字起こしも送信もされません。ほかの参加者の声は聞き取ったままで、通話自体であなたがミュートされるわけではありません。対になる Ctrl+Alt+O またはその隣の は、逆にほかの参加者を一時停止します。もう一度押すまで、相手の音声は文字起こしも送信も課金もされません。起動するたびに、ミュートも一時停止も解除された状態で始まります。