Whispering

Whisperingは1つの動作を軸にしている。キーを押し、話し、離す。ブラウザ版はアプリ内のショートカットを扱い、デスクトップ版はどのウィンドウが前面にあっても発動するシステム全体のショートカットを加える。これが中心のループであり、だからこそアプリが作業の邪魔をしない。別のツールを開いてファイルに録音し、あとで探し回る必要はない。テキストはすでに使っていたカーソルに届く。

アプリは音声を録音し、設定したプロバイダーに音声を渡す。クラウドサービス、Epicenterのホスト型ゲートウェイ、セルフホストのエンドポイントのいずれにも接続でき、認証情報は自分で用意する。この設計がWhisperingを無料に保ち、選択肢を開いておく。1社の精度や料金に縛られないからだ。気が変わったら設定でプロバイダーを切り替えるだけで、アプリの動きは変わらない。

Epicenterのデスクトップ版は、音声をどこかへ送る代わりにローカルのGGUFモデルで文字起こしできる。この選択肢はデスクトップにしかない。モデルを読み込むネイティブランタイムがそこにあり、ブラウザにはないからだ。機密の録音を扱う人にとっては、音声が端末の外に出ず、ネット接続も要らないという意味になる。Whisperingをクラウドの音声入力ツールから私的なツールに変える機能だ。

生の文字起こしが返ってきたあと、Whisperingは任意で整える処理を1回かけられる。整文は独立した層なので、そのままの出力がいいか、整った版がいいかを自分で決められる。急いで話して最初の結果が粗いときに役立つ。実際に話された内容をそのまま見たいなら、完全にオフにできる。

音声入力アプリからテキストを取り出す作業は、たいてい面倒な部分だ。Whisperingはアクティブなカーソルを直接狙う。デスクトップアプリではOSが許すときにネイティブの受け渡しを使い、許さないときはクリップボードに切り替える。ブラウザではクリップボードを使う。どちらでも文字起こしはすでにいた欄に収まるので、作業の途中でウィンドウを切り替える手間はない。

Whisperingは設定と録音のメタデータをまず自分の端末に置く。音声がマシンの外に出るのは、選んだプロバイダーがアップロードを必要とするときだけだ。ローカルモデルなら外には出ない。録音はブラウザのIndexedDBか、デスクトップのEpicenterアプリデータに保存される。このローカル優先の設計が、既定で全ての音声を企業サーバー経由にする音声入力ツールとの違いだ。

同じアプリがホスト型のWebページとしても、Epicenter内のウィンドウとしても動く。ブラウザ版は手を抜いた代替ではなく本物の対象で、ブラウザ録音、ローカルのblob、Webで安全なショートカットを担当する。デスクトップ版はネイティブ録音、OSの権限、ローカルモデルの文字起こし、フローティングの重ね表示に置き換える。自分の働き方に合うほうを選べばよく、中心のディクテーションの流れは同じままだ。