3行でいうと

  • 精度に効くと公式に書かれているのは、地味な4点です。使う言語を合わせる、マイクを選ぶ、静かな場所で話す、準備の合図を待ってから話す。句読点は、対応する環境では声で言って入れます。
  • 「精度が高いのはどれか」を比べた数字は、どの公式にもありません。日本語での優劣は、読んだ範囲では判断できません。比べられるのは、始め方、対応言語、音声の行き先と保存の扱いです。
  • 選ぶときの分かれ目は、音声がどこで処理されるかです。Macは設定画面で端末内処理かどうかが確かめられ、Windowsはオンライン処理、ChatGPTは音声がOpenAIに送られて一定期間残ります。

この記事は、実際に使って確かめた記録ではありません。この記事は、Apple、Microsoft、Google、OpenAIの公式ヘルプを、2026年10月16日に読み、10月22日に読み直してまとめたものです（ChatGPTの音声会話のヘルプだけは、10月22日に読み込めず、10月16日に読んだままです）。僕らの考えは「見立てです」と書いた部分に分けました。専用のアプリ（Aqua Voiceなど）の比較は、別の記事で扱っています。

先に結論

5つの入口を並べる

2026年10月16日に読み、10月22日に読み直した範囲です。画面や機能は変わることがあります。

入口 始め方 言語 句読点 処理と通信
Mac（Dictation） 設定の「キーボード」でオンにし、マイクキーかショートカット 設定で複数選べる 対応言語では自動。名前を言っても入れる 設定画面の文言で、端末内処理かが確かめられる
Windows（音声入力） Windowsロゴキー+H 46の言語・変種、日本語を含む。Windowsの言語と別にできる 音声コマンドで入れる。設定で自動句読点を有効にすると、自動でも入る、という記載もある オンラインの音声認識（Azure Speech services）。ネット接続が必要
Android（Gboard） キーボード上部のマイクをタップ 全言語は対応していない period、commaなどを言う。全言語では使えない 読んだページに記載なし
Googleドキュメント ツール>音声入力 100以上の言語。ただし音声コマンドは英語のみ period、commaなどを言う ブラウザの音声認識サービスが処理
ChatGPT（Dictation） 入力欄のマイクのアイコン 読んだページに記載なし 読んだページに記載なし 音声はOpenAIのモデルに送られる

iPhoneの音声入力は、AppleのiPhoneユーザガイドの本文が取得できず、手順と音声コマンドを確認できていません。Macの手順を、そのままiPhoneの説明として読まないでください。

公式が書いている「精度に効く設定」

言語を合わせる

Macは、設定で言語と地域を選びます。複数選んでおけば、話しながら切り替えられます。Windowsは、音声入力の言語をWindowsの表示言語と別にでき、「設定>時刻と言語>言語と地域」の優先する言語に足します。ChatGPTの音声会話には、設定の「Voice」に言語の項目があり、よく話す言語を選ぶと、認識の助けになることがある、とヘルプにあります。

マイクを選ぶ

Macには「Microphone source」があり、自動（Automatic）を選ぶと、使いそうな機器が選ばれます。Googleドキュメントのヘルプは、ほかのアプリがマイクを使っていないことを挙げています。Windowsは動くマイクが要ると書くだけで、設定の手順は読んだページにはありませんでした。

場所と音量

Googleドキュメントで「聞き取れません」という表示が出たときの対処として、静かな部屋に移る、外付けのマイクを使う、入力の音量を上げる、が挙がっています。ChatGPTの音声会話のヘルプも、ヘッドホン、静かな場所、音量を勧めています。iPhoneでは、コントロールセンターの「Mic Mode」で「Voice Isolation」を選ぶ、という案内です。

始める合図を待つ

Macは、カーソルが脈打つか音が鳴るまで待つように書いています。Windowsは、「Listening...」と出るのを待ってから話します。出だしの数語が抜けるのを防ぐ手順だと思います。これは見立てです。

公式が書いている「話し方」

Googleドキュメントのヘルプには、具体的なコツがまとまっています。

Macも、あいまいな語に青い下線が付き、クリックして別の候補に直せると書いています。Apple silicon搭載のMacなら、話している間もキーボードを使え、音声入力を止めなくてよい、とも書かれています。

句読点と改行は、環境ごとに言い方が決まっています。Macでは「new line」が改行1回、「new paragraph」が改行2回に当たり、どちらも話し終えたあとに反映される、とあります。Gboardには、単語を長押ししてマイクを押し、言い直して置き換える方法が書かれています。ただ、これらの命令が日本語でも同じように使えるかは、読んだページでは確認できませんでした。

止まる条件と、使えなくなる組み合わせ

Macの音声入力には、話す長さの制限はありません。ただし、30秒のあいだ発話が検出されないと、自動で止まります。また、Voice Controlをオンにしていると、ふつうのDictationは使えません。

Windowsの音声入力は、「Stop listening」などの声のコマンドか、画面のマイクボタンで止めます。

Gboardは、手順のうち一部がAndroid 7.0以上でしか動きません。タブレットでは、録音の許可を「アプリの使用中のみ」「今回のみ」「許可しない」から選びます。

Googleドキュメントは、組織の管理者が機能を切っていることがあります。音声コマンドは英語のみで、アカウントと文書の言語も英語にする必要があります。

音声はどこへ行き、どれだけ残るか

ここが、OS標準とAIの音声入力で、いちばん違うところです。

選び方（見立てです）

公式の記述から組み立てた、僕らの考えです。各社の推奨ではありません。

  1. 機微な内容は、処理の場所を先に見る。 取引先の名前や個人の情報を話すなら、Macの設定の文言、または、音声の保持期間が書かれているサービスを選ぶ、という順番が安全だと思います。会社の端末なら、組織の決まりが先です。
  2. 日本語の精度は、短い文で自分で確かめる。 日本語が使える旨は、Windows（46の言語・変種に含まれる）とGoogleドキュメント（100以上の言語の例に含まれる）に書かれています。しかし、認識の精度を比べた資料は見つかりませんでした。人名や専門用語を3〜5個入れた文を、各入口で話して比べるのが確実だと思います。
  3. 書いて直す前提なら、直しやすい入口を。 Googleドキュメントは、止めずに候補から直せます。Macも、候補から選び直せます。ChatGPTのDictationは、送る前に文字を編集できます。
  4. 長い連続入力は、止まる条件を確認する。 Macは、30秒の沈黙で止まります。
APIで文字起こしをするときの、公式の精度の工夫

開発者向けのOpenAIのドキュメント（Speech to text）には、録音ファイルの文字起こしの案内があります。推奨は「gpt-transcribe」です。言語の指定、録音の文脈を書く「prompt」、聞こえるはずの語を並べる「keywords」があり、取り違えを減らすヒントになります。keywordsは、あくまでヒントなので、関係する語だけを入れる、とあります。ファイルは25MBまでで、mp3、mp4、mpeg、mpga、m4a、wav、webmが使えます。ライブの音声は、別の「Realtime transcription」の案内です。

この記事は、実際に使って確かめた記録ではありません。書かれていることを読んだだけです。

気をつけること

出典

更新履歴