DijiFlow を支える技術:オンデバイスの音声認識と Apple Silicon をやさしく解説
Apple Silicon1 分で読めます

DijiFlow を支える技術:オンデバイスの音声認識と Apple Silicon をやさしく解説

DijiFlow Dictate は、ローカルの音声モデルと Apple Silicon を使い、お使いのパソコンの中で声を文字に変えています。その仕組みを、専門用語をできるだけ使わずに解説します。

音声入力は魔法のように便利ですが、ふと当たり前の疑問がわきます。自分の声は、実際にはどこへ送られているのか。DijiFlow Dictate の場合、答えは「どこにも送られない」です。話せばカーソルの位置に文字が入り、一語たりともサーバーには送られません。アカウントも、音声やテキストのアップロードもありません。これは後から付け足したプライバシーの約束ではなく、アプリの作りから自然にそうなっているのです。

これを支えているのは、よく知られた三つの技術です。聞き取りを担う音声モデル、それを Mac で効率よく動かすランタイム、そして一瞬で処理できる速さを生み出すチップである Apple Silicon、この三つです。予備知識は要りません。ひとつずつ、わかりやすく説明します。

  • 約 34 MB
    Mac 版アプリのダウンロードサイズ
  • 300 MB〜6 GB
    音声モデル(ダウンロードは一度だけ)
  • Neural Engine
    実際に処理を行う場所

音声モデル:音を言葉に変える

DijiFlow Dictate の中心にあるのは、お使いのパソコン上で動く音声認識モデルです。音声モデルとは、ひと言でいえば、膨大な量の音声とその書き起こしを組み合わせて学習した、非常に大きなパターン認識の仕組みです。そのデータから、人が発する音と、その人が言おうとしている言葉との対応を学びます。なまりや周りの雑音、実際の話し言葉にある自然な間があっても対応できるのはそのためです。

音声入力をすると、モデルはマイクの音声から、もっとも可能性の高い言葉の並びを推測します。その推測はかなり正確で、はっきりした発話なら約 98% の精度に達します。DijiFlow Dictate は 29 言語にフル対応して文字起こしでき、自動検出で 90 以上の言語を認識します。一語ずつ照らし合わせるのではなく文脈から判断するので、言いよどみや言い直しの多い実際の話し方にもうまく対応します。

モデルが別にダウンロードされる理由

意外に思われるかもしれませんが、アプリ本体と、聞き取りの頭脳にあたるモデルは別々のファイルです。Mac 版の DijiFlow Dictate 本体は小さく、約 34 MB。容量が大きいのは音声モデルのほうで、サイズは約 300 MB〜6 GB の幅があり、どのモデルを選ぶかで変わります。Pro とトライアルでは、「大型」がもっとも精度が高く、「エクスプレス」はそれに近い精度でより速く、「高速」はもっとも速いモデルで、英語を含む 16 言語に対応します。無料版では「標準」と「強化」を使います。速さと精度のバランスは、自分に合わせて選べます。

モデルのダウンロードは最初の一度だけで、その後の文字起こしにはネット接続がまったく要りません。この一度きりの準備があるからこそ、声をパソコンの外に出さずに済むのです。

ランタイム:モデルを効率よく動かす

音声モデルは、バッテリーを消耗させずにすばやく動いてこそ役に立ちます。それを担うのがランタイムです。デバイスの上で機械学習モデルを動かすための層で、通訳と交通整理を兼ねた係のようなものです。音声モデルを受け取り、ハードウェアのどの部分を使えばいちばんうまく動かせるかを判断します。

Mac では、DijiFlow Dictate の音声モデルは、macOS に組み込まれている Apple 独自の機械学習フレームワーク向けに変換されています。汎用の遅いコードとして動くのではなく、Apple のハードウェアに合わせて最適化されているので、システムへの負担を抑えながら、ふつうに話す速さに遅れず音声入力できます。しかも処理はすべて手元で行われます。このフレームワークはクラウドサービスではなく、アプリが機械学習モデルをデバイスの中でプライベートに動かすための OS の一部です。

Apple Silicon:一瞬で処理するチップ

最後の要素はハードウェアです。最近の Mac では、それが Apple Silicon です。M シリーズのチップを積み、macOS 14 以降が動く Mac がこれにあたります。このチップには Neural Engine、つまり機械学習モデルを速く、ごくわずかな電力で動かすための専用回路が組み込まれています。さらに処理能力が必要な場面では、Metal を通じて GPU も使われます。

こうした設定は一切必要ありません。処理はフレームワークが適切なハードウェアに自動で振り分けます。話すだけで、チップがリアルタイムに処理してくれます。これがオンデバイス設計の目立たない強みです。Mac をきびきび動かしているのと同じチップが、プライベートな音声入力を実用的なものにしているのです。

話してから文字になるまでの流れ

三つの要素を順に並べると、話してから文字になるまでの道のりは短く、しかもすべて手元で完結します。

  1. 話す

    マイクの音声はデバイスの中で取り込まれ、どこにも送信されません。

  2. 音声モデルが Neural Engine で動く

    モデルがその場の Apple Silicon 上で、音をリアルタイムに言葉に変えます。

  3. カーソル位置に文字が入る

    話した言葉が、今使っているアプリにそのまま入ります。言葉が外に送られることはないので、漏れるものもありません。

ポイント

モデルがパソコンの中にあるので、文字起こしは手元での計算にすぎません。声を保存したり、傍受したり、こっそり保管したりするサーバーは、途中のどこにもありません。

一度ダウンロードすれば、あとはデバイスの中で文字起こし

多くの音声ツールは、アプリの姿をしたクラウドサービスです。声を聞き取るモデルが他社の機器の上にあるため、毎回ネット接続とアカウントが必要になります。DijiFlow Dictate はその逆です。一度インストールすれば、処理は手元のチップで行われます。

動作の違い DijiFlow(オンデバイス) クラウドの音声入力
一度ダウンロードすれば使える ✓ ✗
ネット接続なしで文字起こし ✓ ✗
アカウント不要 ✓ ✗
音声が手元のデバイスから出ない ✓ ✗

Mac 以外でも

同じオンデバイスの仕組みは、Windows でも変わりません。対応するのは Windows 10 と 11。DijiFlow Dictate は AMD、Intel、NVIDIA の GPU で動きます。NVIDIA の GPU では CUDA と最新のドライバが必要ですが、考え方は同じです。音声は手元で文字起こしされ、声もテキストも外に送られません。

特別な仕掛けではなく、確かな技術

ここに奇抜なことは何もありません。DijiFlow Dictate は、オープンで実績のある技術の上に作られています。聞き取りには音声モデル、ランタイムには Apple の機械学習フレームワーク、ハードウェアには Apple Silicon。大切なのは、そのすべてをお使いのデバイスの中に置くと決めたことです。だからこそ、無料版でもトライアルでも Pro でも、声を誰にも渡すことなく、今どきの音声入力の便利さを手にできます。

読むより実際に使って確かめたいなら、プライベートなオンデバイス音声入力を 30 日間のトライアルで、Pro の全機能を無料でお試しください。

DijiFlow DictateDijiFlow Dictate

DijiFlow Dictate チーム

プライバシーを守るオンデバイスの音声入力と、声でもっとはかどる仕事術についてのノート。