VoiSistant

VoiSistantは機能を5つのモードに分け、用途に応じて切り替える。音声入力は音声からテキストへの直接変換と即時貼り付けを担う。Chatは音声入力に対応した対話型AIアシスタント。Consultantはリアルタイム翻訳を備えた会議アシスタントとして働く。Transcribeは話者検出つきで音声ファイルをテキスト化し、Quick Replyは会話のスクリーンショットから文脈に合った返答を生成する。これらが1つのアプリにそろうので、話す・翻訳する・文字起こしするために別々のツールを使い分けずに済む。

粗い文字起こしは出発点にすぎない。VoiSistantはそれを言語モデルに通し、テキストが入力欄に届く前に文法を直し、トーンを整え、書式を適用する。接続するプロバイダーは好みで選べ、OpenAI、OpenRouter、Gemini、LM Studio、Ollamaに対応する。なぜそれが重要か。すでにどこかのAPIに料金を払っている場合や、すべてをローカルで動かしたい場合に、他社の構成を押し付けられないからだ。代わりに、仕上がりの質は選んだモデルに左右される。弱いモデルや利用量制限のあるプロバイダーは、そのまま出力に出る。

VoiSistantは音声翻訳ツールとしても使える。翻訳は別タブではなく音声入力の流れの中で動く。話すとアプリが変換し翻訳し、必要な場所に結果が貼られる。対応する言語には英語、イタリア語、スペイン語、ロシア語などが含まれる。読み上げは逆方向に働き、Microsoft、Google Gemini、OpenAIの音声でテキストを読み上げる。音声エンジンを選び、状況に合わせて出力を整えられる。

アプリが邪魔にならないのは、開いたままにするウィンドウではなく、呼び出して使うコンパクトな画面としてメニューバーに常駐するからだ。グローバルホットキーを使えば、どのアプリからでも録音を開始・停止できる。これが音声入力を実用的にする部分だ。ウィンドウを切り替えて思考を途切れさせずに済み、自動貼り付けで、もともと入力していた場所にテキストが現れる。

VoiSistantは、望むなら処理を自分のマシンに留められるよう作られている。読み上げはローカルで動かせ、OllamaやLM Studio経由でローカルLLMを接続すれば校正の工程もクラウドから外れる。ネットワークを使うのはクラウドのプロバイダーを有効にしたときだけだ。少なくともアプリ自身の説明ではそうなっている。機密性の高い内容を音声入力する人にとって、これは意味のある選択肢であり、クラウド一択でも完全オフラインでもない。

AIの工程のあと、VoiSistantは結果を履歴に保存し、メールで送り、追加のテキスト整形を走らせ、ファイルに書き出せる。小さな仕組みだが、音声入力の出力が貼り付けたら消えるだけではないという意味を持つ。会議メモやタスクリストを音声入力するなら、検索できる履歴があれば同じ内容を二度録る手間が省ける。

Transcribeモードは既存の録音を検索できるテキストに変える。音声ファイルやポッドキャストの1話を指定すると、VoiSistantがAI文字起こしを担い、話者検出で出力内の声を分ける。これで、インタビューから学会発表まで、リアルタイムで対応しなかった作業もカバーできる。追加インストールは不要。すべて同じアプリの中で完結する。