オフライン文字起こし

文字起こしを行うAIモデルは大きく、数億のパラメータがあります。以前は消費者向けハードウェアで動かすと遅く、バッテリーを消耗しました。

AppleのNeural Engineがそれを変えました。AI処理専用のチップで、すべてのM系MacとiPhoneに搭載されています。Whisper Large v3 TurboはMacBook Airで快適に動作します。

iPhoneでは、モバイルチップ向けに最適化された小さなモデルを使用しています。大きなモデルほど正確ではありませんが、ほとんどの内蔵音声入力よりは優れています。

これは私たちも驚きました。ローカルモデルは「まあまあ使える」程度だと思っていました。実際にはかなり良いのです。

Whisper Large v3は、ほとんどのシステム音声入力よりも単語エラー率が低いです。そしてローカルとクラウドAPIの差はかなり小さくなっています。ほとんどの用途では、違いに気づかないでしょう。

これで計算が変わります。精度が同等なら、音声をアップロードする主な理由がなくなります。

クラウドサービスが危険だと脅すつもりはありません。ほとんどは責任を持ってデータを扱っています。

でも「悪用しないと約束している」と「そもそも持っていない」には違いがあります。あなたの声は生体情報です。パスワードと違って、問題が起きても変えられません。

ローカル文字起こしなら、音声はデバイスに留まります。暗号化してアップロードするのではなく、そもそも送信しないのです。これが重要な人もいれば、そうでない人もいます。私たちは前者のために作りました。