Google音声入力＋AIで清書、APIの余りで節約した話
オンライン旅行代理店のディレクターをしている、非エンジニアのほっしーです。
先日、音声入力ツールのTypeless（タイプレス） の30日トライアルを試してみました。
精度がすごく高いんです。スマホに喋るだけで、ほとんど直さなくていいテキストが返ってくる。これはいいな、と思いました。
特に「テキスト選択＋音声コマンド」で編集できる機能は面白くて、パソコン作業中に「ここ消して」と言うだけで反映されるのは、一度体験するとクセになる気がします。
でも、料金高い。お金がない日本人には厳しい。
月契約：$30／月（約4,500円）
年間契約：$12／月（約1,800円、一括$144で支払い）
年間にすれば月1,800円とお手頃なんですけど、一括$144。サブスクなら他にも試したいものがありますし、「入力のためにさらに追加か……」と、ちょっと二の足を踏みました。
それならばと。「OpenCode GoのAPI利用上限、余ってるしこれを使えばいいな」と。
ということで目次です
タイプレスの代わりにvoice-dictation-cleanupスキルを作った
どう作ったか
使った（作った）、Hermes Agentのスキル（SKILL.md） という仕組みです。
スキルとは「こんな条件で起動して、こんな処理をして、こんな形式で出力して」という指示を、1つのファイルにまとめて登録すること。プログラムを書くわけじゃなくて、エージェントへの指示書を書くイメージです。
具体的には、以下のような構造で書きました。
起動条件 — 「これ清書して」「音声入力を整えて」などのフレーズや、明らかに音声入力由来のテキストが来たときに自動でこのスキルが選ばれるように設定
処理手順 — フィラー除去・言い直しの判定・助詞補完・肯定/質問の判定・文の整理、の5ステップを順番に定義
出力ルール — 清書したテキストだけを返す。ラベルや説明は一切つけない。コピーボタンをつける
参照ファイル — custom-dictionary.mdとvoice-input-patterns.mdを読み込んで処理の精度を上げる
これだけです。実際のファイルはこんな感じで、1つのマークダウンファイルに全部まとまってます。
処理の中身
一番工夫したのが言い直しの判定です。音声入力あるあるなんですけど、喋ってる途中で「違う、こっち」って修正することが多いんですよ。そのままテキストにすると「明日じゃなくて明後日、そうじゃなくて来週ね」みたいな、どの情報が正解かわからない文章になります。
このスキルでは「直前の発言を否定して修正している」パターンを検出して、最終的に言いたかった意図だけを拾うようにしてます。「明日じゃなくて明後日ね」→「明後日」だけ採用、みたいな。
あと、音声認識だと助詞（「は」「が」「を」）が抜けやすいのも悩みどころでした。これは文脈から補完する処理を入れてます。「これ私使います」→「これは私が使います」って感じで。
使うほど良くなる仕組み
このスキルにはcustom-dictionary.mdという辞書ファイルが付いていて、出力を修正した履歴が自動で蓄積されていきます。最初は「こういう言い回しは直してほしい」と手で修正する必要があったんですけど、数回使えばだんだんクセを覚えてくれるようになりました。
LINEの返信やちょっとしたメール程度なら、これで十分回ってます。
サブスク増やすより手持ちで済ませた
もちろん、タイプレスの「テキスト選択＋音声コマンド編集」みたいな高度な機能は再現できていません。
でも、自分の使い方（LINE返信・メール下書き・短いメモ）にはこれで十分で、「サブスクを増やすくらいなら手持ちでやる」という選択肢もあるのかも、と思った話でした。
タイプレスは良い製品だと思います。機能の拡充次第では再加入も考えるかもしれません。でも今は、OpenCode GoのAPI利用上限の余りで自作するのが合っていたかなという感じです。
ただ、キーボード統合されていないのが最大の弱点
ここまで「代わりになるものを作った」と書いておいてなんですが、正直なところこのスキルの一番の弱点はキーボードに統合されていないことです。
タイプレスの強みは、AndroidでもiOSでもシステムキーボードとして動くところ。音声入力と手入力が同じ画面でシームレスに切り替えられる。メッセージアプリを開いて、そのまま喋って、必要なら手で直して、送信。アプリを移動する必要が一切ない。
ただ、Android版のタイプレスには日本語フリック入力に大きな課題があって、Google Playの低評価レビューの多くがこれに関するものなんですよね。頻繁にGboardに切り替える必要が出てきて、それが結構ストレスです。
一方、このスキルの運用はこんな感じです。スマホでGoogle音声入力で喋る → TelegramのDM（Hermes Agentがいるチャンネル）に送る → 清書されたテキストをコピーしてLINEやメールに貼る。アプリを往復する必要があるので、導線としてはかなり野暮ったいです。
キーボード以前にアプリを切り替えないといけない。「サブスク代をケチる代わりに手間を受け入れる」というトレードオフですね。
自分用のiOSアプリかAndroidアプリとしてキーボード統合するところまで作れたら理想なんですけど、そこまでやる時間はまだないです。
気になる方は OpenCode Go が便利です。このスキルもOpenCode GoのAPI利用上限を使って動いています。初月は$5、その後月$10で主要なオープンコーディングモデルが使い放題。以下のリンクから加入すると、私にも紹介クレジットが入るということは正直にお伝えいたしますが、安くておすすめです。
https://opencode.ai/go?ref=PK7YQV0964
音声入力で効率化したいけど、あとひとつサブスクを増やすのは気が引ける…… そんなときは、手持ちのAPIやツールを見直してみるのも手かもしれません。思わぬところに「これ使えるじゃん」が眠っていたりします。
この記事が気に入ったらスキをしてくれると励みになります。