使いこなし
おすすめ設定の早見表
iPhone・iPad と Mac のそれぞれで、手元で話す・会議室で離れて録る・録音を取り込む・ほかの言語で要約する、といった場面ごとに、文字起こしと要約の設定のおすすめを 1 枚にまとめました。
この記事は、Otonota の開発チームが Otonota の中で行った計測の結果です。結果は、アプリやエンジンの版、録音の機材・距離・部屋、話し方や話題などによって変わります。参考としてご覧ください。
ここでのおすすめは、私たちが試した条件での目安です。部屋の広さや反響、話す人の数と端末からの距離、マイクや端末、話し方や話題が変わると、いちばん良い設定はまったく変わることがあります。大事な会議の前には、同じ場面を二つの設定で短く録り、文字起こしを見比べてから決めてください。
まず変えるなら、この三つ
- Mac は、文字起こしを Apple 音声認識 (Apple Intelligence) に — 既定の Apple Speech は、離れた日本語の声をほとんど書き起こせませんでした
- 会議室で離れて録るなら、WhisperKit large-v3 (量子化) — iPhone・iPad では Pro、Mac では無料。iPhone で録った離れた声で、誤りがおよそ半分になりました
- 社名・人名は、用語集に聞き違いの読みも登録 — 正しい表記だけでなく、文字起こしに出た聞き違いを読みとして足すと、固有名詞がいちばん直りました
下の表は、端末と場面ごとのおすすめです。根拠の数字は、架空の会議を読み上げた音声での計測 (日本語) です。くわしい計測は会議の文字起こし、どのエンジンが正確か、固有名詞を正しく書き起こすには、端末の中の要約 AI は、どの言語で使えるか にあります。
表の見方
- % は「文字の誤り率」 — 書き起こした文が、正しい文とどれだけ違ったかの割合です。10% なら、100 文字のうち約 10 文字が、別の字になったり、抜けたり、余分に入ったりしていたという意味です。低いほど正確です
- 「近い声」「離れた声」「内蔵マイク」 — 近い声は雑音の無い音声ファイル、離れた声は話し手から離れた位置の iPhone で録った音声、内蔵マイクは MacBook Pro の内蔵マイクで録った音声での値です
- 要約の行の「取り違え」 — 指定した言語で要約が返ってこなかった件数です (別の言語で返った、日本語が混じった、空だった)
iPhone・iPad
| 場面 | 文字起こし | 要約 | 計測での根拠 (日本語) |
|---|---|---|---|
| 手元で話す (1 対 1、自分のメモ) | AI (Apple Intelligence) (既定のまま) | Apple Intelligence (既定のまま) | 近い声の誤り率 4.3%。速く、無料 |
| 会議室で、端末を話し手から離して置く | WhisperKit large-v3 (量子化) (Pro、メモリ 6GB 以上) | Apple Intelligence | 離れた声の誤り率: AI 19.8% → WhisperKit 9.6% |
| ダウンロードせずにすぐ録りたい | 標準 (近い声のときだけ) | Apple Intelligence | 誤り率: 近い声 7.3% / 離れた声 90.4% |
| 社名・人名が多い会議 | 上のどれか + 用語集に聞き違いの読みも登録 | 同じ用語集が要約にも渡る | WhisperKit で固有名詞 10 語中 6.5 → 9 語 |
| 英語・中国語・韓国語・主なヨーロッパの言語で要約 | 会議の言語に合わせる | Apple Intelligence (既定のまま) | 言語の取り違え 54 件中 2 件 (キーワードだけ) |
| アラビア語・ロシア語・タイ語で要約 | 会議の言語に合わせる | MLX Qwen3.5 4B (Pro、メモリ 8GB 以上) | Apple Intelligence は非対応。この 3 言語での取り違え (18 件中): 2B 9 件 / 4B 1 件 |
誤り率は、100 文字あたり何文字が正しい文と違ったか (低いほどよい)。
文字起こしのエンジンは設定の「認識エンジン」で、要約のエンジンは設定の「要約エンジン」で選びます (Pro)。用語集は設定の「用語集」から開きます。くわしくは使い方のエンジンとモデルの選び方 と 要約と用語集 を見てください。
Mac
| 場面 | 文字起こし | 要約 | 計測での根拠 (日本語) |
|---|---|---|---|
| 手元で話す・オンライン会議の音声 | Apple 音声認識 (Apple Intelligence) (既定の Apple Speech から変更) | Apple Intelligence (既定のまま) | 近い声の誤り率 4.3%。1 時間の音声を 1 分足らずで処理 |
| 会議室で、Mac の内蔵マイクで録る | Apple 音声認識 (Apple Intelligence) か WhisperKit large-v3 量子化 (どちらも無料) | Apple Intelligence | 内蔵マイクの誤り率: Apple 音声認識 14.7% / WhisperKit 14.9%。既定の Apple Speech は 93.7% |
| iPhone で録った会議を取り込む | WhisperKit large-v3 量子化 (無料) | Apple Intelligence | 取り込んだ音声の誤り率: Apple 音声認識 19.8% / WhisperKit 9.6% |
| 少しでも正確に (音声を外に送ってよい) | OpenAI gpt-4o-mini-transcribe (Pro、自分の API キー) | Apple Intelligence かクラウドのモデル | iPhone の録音を取り込んだときの誤り率 5.8%。音声は OpenAI に送られ、料金がかかる |
| 社名・人名が多い会議 | 上のどれか + 用語集に聞き違いの読みも登録 | 同じ用語集が要約にも渡る | 聞き違いの読みを足すのが最も効いた。認識のヒントは効かなかった |
| アラビア語・ロシア語・タイ語で要約 | 会議の言語に合わせる | MLX の 9B 以上 (Pro) か、クラウドのモデル (Pro) | この 3 言語での取り違え (18 件中): 9B 0 件、14B 0 件、27B 0 件 |
| Apple Intelligence が使えない Mac | 上と同じ | MLX Qwen3.5 2B (無料) | 日本語の会議を日本語・英語以外でまとめると、72 件中 27 件で言語を取り違えた |
誤り率は、100 文字あたり何文字が正しい文と違ったか (低いほどよい)。クラウドのモデル (OpenAI・Claude・ChatGPT・Gemini) は Mac 版の Pro で、自分の API キーを入れたときだけ選べ、音声や文字がそのプロバイダに送られる。
エンジンは、文字起こしの欄と要約の欄の見出しにあるエンジン名から選びます。用語集はサイドバーのセッションから開きます。くわしくは使い方のエンジンの選び方 と 要約と翻訳 を見てください。アプリの全体は Mac 版・iPhone 版 のページへ。
どの場面でも変わらないこと
- 既定は端末の中だけで動く — 文字起こしも要約も、既定の設定では音声や文字が端末の外に出ません
- 要約は文字起こしの出来に左右される — 文字起こしで抜けた名前は、要約にもまず出てきません。先に文字起こしを整えるのが近道です
- 全文の翻訳は、どのモデルでも指定した言語で返った — 言語の取り違えは、一行要約とキーワードで起きました
計測の方法
この表は、同じ日に行った 3 つの計測をまとめたものです。音声は架空の定例会議の台本 (日本語 441 字) の読み上げで、iPhone Duo と MacBook Pro の内蔵マイクで 2 回ずつ録音し、Otonota 1.1.4 と同じ実装で処理しました。計測の手順と全部の数字は、各記事の「計測の方法」にあります。
よくある質問
- iPhone で会議を録るときのおすすめ設定は?
- 手元で話すなら既定の「AI (Apple Intelligence)」のままで十分です。会議室で端末を話し手から離して置くなら、WhisperKit large-v3 (量子化、Pro) に切り替えてください。この計測では、離れた声の誤り率が 19.8% から 9.6% に下がりました。要約は既定の Apple Intelligence で足ります。
- Mac で会議を録るときのおすすめ設定は?
- 文字起こしを既定の Apple Speech から、Apple 音声認識 (Apple Intelligence) か WhisperKit large-v3 量子化 (どちらも無料) に変えてください。Apple Speech は、内蔵マイクで録った離れた声の誤り率が 93.7% でした。iPhone で録った音声を取り込むなら WhisperKit large-v3 量子化が向いています。
- 社名や人名を正しく出すには、どの設定を変えればいいですか?
- エンジンより用語集が効きます。正しい表記を登録し、最初の会議の文字起こしで見つけた聞き違いを読みとして足してください (例:
柏木(かしわぎ,はしがみ))。固有名詞を正しく書き起こすには にくわしく書いています。 - 日本語の会議を、タイ語やアラビア語で要約できますか?
- Apple Intelligence は対応していないので、MLX のモデル (Pro) を使います。iPhone・iPad では Qwen3.5 4B、Mac では 9B 以上か、クラウドのモデルがおすすめです。小さい 2B は、日本語の会議を日本語・英語以外でまとめると言語を取り違えやすく、72 件中 27 件でした。
- 会議の音声を外に出さずに使えますか?
- はい。既定の設定では、文字起こしも要約も端末の中で動きます。この表のおすすめのうち、音声や文字が外に送られるのは、Mac 版の Pro で自分の API キーを入れて OpenAI やクラウドの言語モデルを選んだときだけです。
オトノタ