音声テキスト変換は、英語では speech to text または speech-to-text と表記され、STT と略されます。話した音声を文字に変換する処理そのものを指す言葉です。音声認識モデルがマイクからの音声や録音ファイルを受け取り、書き起こしたテキストを返します。この言葉が指すのは特定のアプリではなく変換という処理なので、どちらも音声テキスト変換を備えた二つのツールが、使い心地ではまったく違うということも起こります。
この三つは重なる部分があり、だからこそ混同されがちです。音声テキスト変換は、土台にある変換処理そのものを指します。音声入力（ディクテーション）はその使い道の一つで、変換されたテキストが、いま入力しているフィールドに差し込まれます。音声AIは三つの中で最も広い言葉で、書き起こしにとどまらず、依頼の内容を解釈したり、許可した範囲のコンテキストを使ったり、次の一手を用意したりすることもあります。
まず音声を取り込み、扱いやすい長さに区切り、認識モデルが単語へと対応づけます。このとき句読点や大文字小文字が補われるのが一般的です。話している最中から途中経過の書き起こしを流すツールもあれば、音声が終わってから全文を返すツールもあります。出力の行き先は製品ごとに決まっていて、フォーカスしているテキストフィールド、クリップボード、保存される書き起こし、そのツール独自のノート画面などがあります。後からどれだけコピーや手直しが必要になるかはこの行き先で決まるので、ワークフローを固める前に確認しておいてください。
対応言語、人名や専門用語の扱い、話者ラベル、タイムスタンプ、録音時間の上限、オフライン対応、処理を手元の端末で行うかサービス側で行うかは、いずれも製品によって異なります。費用の考え方も、デスクトップ機能に含まれるものから、分単位で課金される文字起こしまでさまざまです。一般的な説明があらゆる環境に当てはまることはまれなので、自分のマイク、自分の話し方、扱う分野の内容で試してみてください。
音声テキスト変換にはマイクへのアクセスが必要です。会議や通話を記録する場合は、システム音声や、その場にいる相手が録音を把握しているかどうかも関わってきます。そのツールが何を記録するのか、音声や書き起こしがサービスへ送られるのか、どれくらいの期間保存されるのか、自分で削除できるのかを確かめてください。認識の誤りは、人名や数値、専門用語といった、いちばん気づきにくいところに出やすいものです。転送したり公開したりする前に、必ず書き起こしに目を通してください。
Cue は macOS 13 以降、Windows 10 以降に対応したデスクトップの音声AIです。音声入力を使うときは、対応アプリでテキストフィールドにフォーカスし、お使いのバージョンに表示されているディクテーションのショートカットを押して話し、差し込まれたテキストを確認します。長めのセッションでは、Cue のデスクトップレコーダーを自分で開始できます。会議の進行中は書き起こしが少しずつ表示され、停止すると構造化されたノートとアクションアイテムが返ってきます。参加者一覧には何も加わりません。Cue は無料で始められます。Cue Plus は月額 $19.99 です。