文字起こしとモデル

録音中は、Apple の音声認識がこの Mac の中で文字起こしします。あとから、範囲・保存した録音・音声ファイルを、Whisper large-v3-turbo、Parakeet TDT (Japanese)、Cohere Transcribe (Beta) などの別のモデルで文字起こしし直せます。どのモデルもこの Mac の中で動き、音声はどこにも送りません。Apple 以外のモデルは、先に「設定 › モデル」でダウンロードします。

録音中の文字起こし

録音中(ライブ)の文字起こしには、いつも Apple の音声認識(SpeechAnalyzer)を使い、選んだ話す言語で文字起こしします(言語)。「設定 › 文字起こし」の「録音中に文字起こしする」がオンのあいだ動きます(既定はオン)。ほかのモデルは、文字起こしのやり直しにだけ使います。

発話の検出

音声認識は、電力を節約するため無音と判断した部分を飛ばします。そのとき小さな声も飛ばされることがあります。どこまで文字起こしするかは、「設定 › 文字起こし」の 2 つで決めます。

• ミーティング中は常に文字起こしする(既定はオン) — ミーティング中は、音量にかかわらずすべてを文字起こしします。
• 発話の検出 — ミーティングの外(と、上がオフのときのミーティング中)に使います。

入力レベルの点

「録音と議事録」のウインドウのライブのペインで、マイクのチップと相手の声のチップの左に小さな点が出て、そのトラックの今の様子を示します。ポインタを重ねると詳しい説明(音量の dB つき)が出ます。

「なし」にしたトラックには点を出しません。メニューにも出ません。

文字起こしが止まったとき

音が届いているのにしばらく行が出ないときや、音声認識が音声を読まなくなったときは、Minutes Ago が自動で文字起こしを作り直します。まずそのトラック、次に両方のトラックです。そのあいだも録音は続きます。言葉の無い音楽や環境音で行が出ないだけなら、止まったとはみなしません。

• それでも戻らないときは、メニューに橙色の行「文字起こしが止まっています（10:03 から）」と「文字起こしを再開」が出ます。
• 録音中のメニューには、いつも 「文字起こしを再起動」 があります。両方のトラックのライブ文字起こしを今すぐ作り直し、録音は途切れずに続きます。出るはずの行が出ないときに使ってください。
• 文字起こしをそもそも始められないときは、間隔をあけながら(15 秒から最大 5 分おきまで)自動で再試行します。

文字起こしのモデル

• どのモデルもこの Mac の中で動き、音声も文字起こしも送りません。モデルのダウンロードでも音声や文字起こしは送りませんが、通信の性質上、IP アドレスなどは Hugging Face に届きます(データとプライバシー)。
• モデルは、対応する言語だけを文字起こしできます。ほかの話す言語では灰色になり、「この言語では使えません」と出ます(例: 「Parakeet TDT (Japanese) — この言語では使えません」)。
• 言語は、選んだ話す言語で文字起こしします。モデルが自分で言語を判定することはありません。
• Cohere Transcribe は、使った後 10 分のあいだ読み込んだままにするので、その間に続けて文字起こしするときは読み込みを待ちません。それを過ぎたときやアプリを起動し直したときは、また読み込みます(「モデルを読み込み中…（2 分ほど）」)。
• 上の時間は開発機(Apple M6、16 GB)での計測です。Mac や、同時に動いているものによって変わります。実際の会議での精度は、どのモデルも測っていません(精度について)。

モデルのダウンロード

「設定 › モデル」に、モデルがサイズと状態つきで並び、ここでダウンロードと削除をします。モデルは Hugging Face から HTTPS で、このペインからだけダウンロードし、アプリのコンテナに保存します。何も送信しません。

• 文字起こしのモデル — 先頭は「Apple（この Mac）」(「macOS が管理します。」と「話す言語…」。Apple の言語モデルは macOS がダウンロードします)。続けて Whisper large-v3-turbo、Whisper large-v3-turbo (Compact)、Parakeet TDT (Japanese)、Cohere Transcribe (Beta)。
• 話者分離モデル — Nemotron 3 Diarization(199.1 MB)。話者を分離で使います。初めての「話者を分離」で自動でダウンロードするのは今までどおりで、ここでは前もってダウンロードしたり削除したりできます。

各行に、サイズと次のどれかの状態が出ます。

• 「ダウンロード…」 は、サイズを示して確認します: 「Whisper large-v3-turbo（1.64 GB）をダウンロードしますか？」「このアプリのコンテナに保存され、ここで削除できます。」。Cohere Transcribe では「ベータ版です。GPU で動き、読み込みに 2 分ほど、その後トラックごとに 1 時間の音声で 6 分ほどかかります。」が続きます。
• 「削除…」 は「「…」を削除しますか？」「ここでもう一度ダウンロードできます。」と確認します。Cohere Transcribe を削除しても、発話の検出のモデル(約 1 MB)は残ります。
• 文字起こしの実行中は、文字起こしのモデルの「ダウンロード…」と「削除…」が灰色になります(「別の文字起こしが終わるまで待ってください。」)。話者の分離中は、話者分離モデルの分が灰色になります(「話者の分離が終わるまで待ってください。」)。
• ダウンロードに失敗すると、行に理由が出ます: 「この Mac の空き容量が足りません。」「モデルをダウンロードできませんでした。ネットワークを確かめて、もう一度お試しください。」「Hugging Face が混み合っています。しばらくしてからもう一度お試しください。」。最適化に失敗したときは「モデルを最適化できませんでした。もう一度ダウンロードするか、削除してからやり直してください。」。
• 最適化は一度だけです。アップデートの後に、もう一度必要になることがあります。

「詳細」›「Whisper の実行先」: GPU(既定)か Neural Engine。行にポインタを置くと「GPU は数秒で使えるようになります。Neural Engine はメモリの使用量が少なめです。」と出ます。下の注記は「Neural Engine: 最初の最適化に 10 分以上と、75 GB を超える空きディスクが要ることがあります。」。切り替えると、ダウンロード済みの Whisper のモデルをすぐにその実行先向けに最適化し直します(行が「この Mac 向けに最適化中…」になります)。空きディスクが足りない Mac では GPU のままにしてください。

別のモデルで文字起こしし直す

入口は 3 つあります。どれも同じ「モデル」のメニューを使い、最後に選んだモデルを覚えています。

シート

「文字起こしをやり直す…」でシートが開きます。

• 範囲(ライブのペインだけ) — 例: 12:03:10–12:48:02 · 45 分。

• 話す言語 — 最初は、いまライブで使っている言語(ライブ)か、録音の言語です。

• モデル — 「Apple（この Mac）」、続けてほかのモデル。いま使えないモデルは灰色になり、メニューの下に理由が出ます。

  • ダウンロードしていない — 「設定 › モデル でダウンロード」(ペインへのリンク)
  • この言語に対応していない — 「この言語では使えません」
  • 「設定 › モデル」で最適化中 — 「設定 › モデル で最適化中」

  選んだモデルがまだ最適化されていなければ、Parakeet TDT (Japanese) では「初回の使用時にモデルを最適化します（最大 15 分ほど）。」、Neural Engine で動かす Whisper では「初回の使用時にモデルを Neural Engine 向けに最適化します（10 分以上）。」と出ます(GPU で動かす Whisper は数秒で使えるようになるので出ません)。Cohere Transcribe では「Cohere Transcribe は時刻を出さないため、1 行は間（ま）で区切られたひと続きの発話になります。」と出ます。選んだモデルが対応しない言語に変えると、「Apple（この Mac）」に戻ります。

• 対象のトラック — 「マイク」と「相手の声」。両方あれば両方にチェックが入っています。

• 下に、何が起きるかの注意。「キャンセル」「文字起こしをやり直す」。

実行中は、状態行に進み具合が出ます(範囲では「文字起こし中 · 40%」、録音では「Whisper large-v3-turbo で文字起こし中 · 40%」)。Whisper・Parakeet・Cohere では、先にモデルを読み込みます(「モデルを読み込み中…」。GPU で動かす Whisper は数秒です。Neural Engine で動かす Whisper は「モデルを読み込み中…（Neural Engine では 10 分以上かかることがあります）」、Parakeet TDT は「モデルを読み込み中…（初回のみ、最大 15 分ほど）」、Cohere Transcribe は「モデルを読み込み中…（2 分ほど）」)。録音と録音中の文字起こしは続きます。Mac の音声認識の資源が足りないときだけ、終わるまで録音中の文字起こしを一時停止します。

ライブのペインの範囲

• 範囲の行をアプリのデータの中で置き換えるので、ウインドウ・「テキストをコピー」・書き出し・議事録・エージェントのどれもが新しい行を使います。
• 「この範囲の行は、編集した行・削除した行も含めて置き換わります。話者ラベルは時刻の重なる行に引き継ぎます。マーカーは残ります。8 秒間は取り消せます。」
• 範囲は、トラックごとに最後に確定した行で終わるので、文字起こし中の音声はそのままです。結果に終わりの時刻が出ます(例: 「Whisper large-v3-turbo で文字起こしし直しました · 42 行 · 12:47:50 まで」)。
• そのあいだ「話者を分離」は灰色です(「範囲の文字起こしのやり直しが終わるまで待ってください。」)。「まだ保存していない録音を消去…」で止まり、行は変わりません。
• 録音中の文字起こしは、Apple の音声認識のまま続きます。文字起こしし直すのは選んだ範囲だけです。

保存した録音

「選んだモデルの文字起こしを作り直して表示します。そのモデルの文字起こしがあれば、編集・削除した行も含めて置き換えます。選ばなかったトラックは、そのモデルの行（無ければ今の文字起こしの行）のままなので、2 つが混ざることがあります。話者名は同じ時刻の行に引き継がれます。8 秒間は取り消せます。」。マーカーと議事録は残ります。

取り消し

シートから文字起こしし直した後の 8 秒間は、状態行の「取り消す」で前の行に戻せます(「前の文字起こしに戻しました」)。保存した録音では、前の言語とモデルも戻ります。そのあいだに行を直したり消したりすると、取り消しでは戻りません。

一度に 1 つ

文字起こしは一度に 1 つだけ動きます(範囲、保存した録音、取り込んだ音声ファイルの最初の文字起こし)。1 つが動いているあいだ、ほかと、取り込みのシートの「取り込む」は灰色です(「別の文字起こしが終わるまで待ってください。」)。その範囲や録音の話者分離・議事録の作成中と、範囲では「録音中に文字起こしする」がオフのとき(「文字起こしはオフです」)も、「文字起こしをやり直す…」は灰色です。

モデルごとの文字起こし

保存した録音は、モデルごとの文字起こしを持てます。録音の見出しに、いま表示している文字起こしが「ライブ（Apple） で文字起こし」のように出ていて、これがメニューになっています。

• ✓ の付いた今の文字起こし、続けて録音が持っているほかの文字起こし。選ぶとそれに切り替わります。「ライブ（Apple）」は録音中に作った文字起こし(録音と一緒に保存したもの)です。手で直したものには「· 編集済み」が付きます。
• まだ文字起こししていないモデル。目安の時間つきで、例えば「Whisper large-v3-turbo — 文字起こし前 · 約 8 分」(1 時間・2 トラックの録音の場合)。まだ最適化していないモデルには、Parakeet TDT では「+ 初回の最適化（最大 15 分）」、Neural Engine で動かす Whisper では「+ 初回の最適化（10 分以上）」が付きます。選ぶと確認なしで、今の文字起こしの言語ですぐに始まり、終わるとそのモデルに切り替わります(「Whisper large-v3-turbo に切り替えました」)。この操作には取り消しはありません。同じメニューで切り替えて戻します。ダウンロードしていないモデル、録音の言語に対応しないモデル(「この言語では使えません」)、最適化中のモデル(「設定 › モデル で最適化中」)は灰色で、「設定 › モデル でダウンロード」でペインが開きます。
• オプションを指定して文字起こしをやり直す… — シートで言語とトラックも選びます。
• 「…」の文字起こしを削除… — 持っている文字起こしを削除します(今の文字起こしと、作り直せない「ライブ（Apple）」は除く)。「編集した行も含めて、この文字起こしの行を削除します。音声は残るので、このモデルでもう一度文字起こしできます。」と確認します。

モデルが文字起こししているあいだも、今の文字起こしを読んだり直したりできます。終わったときに行を編集中なら、「編集が終わったら Whisper large-v3-turbo に切り替えます…」と出て待ちます。

文字起こし同士の関係:

• 直した行・削除した行は、そのモデルの文字起こしにだけ残ります。
• 話者の分離と話者の名前は、すべての文字起こしに付きます。
• 「テキストをコピー」・書き出し・議事録・エージェントは、今の文字起こしを使います。
• 別のモデルの文字起こしから作った議事録には、シートにそのことが出ます(例: 「ライブ（Apple） の文字起こしから作成」)。
• どの文字起こしも、この Mac の録音のフォルダの中に置きます。録音を削除すると、すべて消えます。

無料で使えるもの

• どのモデルでの文字起こしのやり直し(範囲・保存した録音)も、モデルごとの文字起こしの作成・切り替え・削除も、モデルのダウンロードと削除も無料です。お試しを使わず、「（お試し）」「（Pro）」の印も付きません。
• その後の取り出しは、今までどおりに数えます(何が 1 回に数えられますか)。ライブのペインでは、30 分より前・話者名つき・この Mac の外のプロバイダのコピー・書き出し・議事録・エージェントの要求は、Pro を入手するまでお試しを使います。保存した録音からは無料です(保存のときに数えています)。ただし保存した後に付けた話者名(1 回だけ)と、この Mac の外のプロバイダでの議事録は除きます。話者名があるかどうかは、今の文字起こしで決まります。
• 音声ファイルの取り込みは、どのモデルでも Minutes Ago Pro(直販版はライセンス)の機能で、お試しの対象外です(音声ファイルの取り込み)。取り込んだ後は保存した録音なので、別のモデルでの文字起こしのやり直しは上のとおり無料です。