Hedyの音声認識プロバイダー

音声認識プロバイダーとは？

Hedyは複数の音声認識オプションに対応しており、ローカル処理による完全なプライバシーか、クラウドベースの選択肢かを選べます。プロバイダーはいつでも切り替えられます。オフラインのセッションではローカルを、特定の機能を使いたいときはクラウドサービスを、といった使い分けが可能です。

はじめに

1. Hedyアプリを開きます

2. 設定を開き、音声とAIタブに移動します

3. 音声認識オプションを見つけます

4. ドロップダウンメニューから使いたいプロバイダーを選びます

5. 必要に応じて、プロバイダー固有の設定を行います

6. 選択した内容は、次のセッションから有効になります

利用できるプロバイダー

Hedyには、それぞれ特徴の異なる5つの音声認識オプションがあります。

• Whisper（ローカル）：標準のオプションです。100%プライベートで、オフラインでも動作し、利用料金もかかりません。文字起こしのために音声がデバイスの外へ出ることはありません。32ビットAndroidを除くネイティブアプリでは、セッション終了後に話者ラベルを追加できます。Whisperはウェブアプリでは利用できません。

• Nemotron（ローカル）：新しいデバイス上のストリーミングエンジンで、ライブの文字起こしと、デバイス上での話者ラベル付けに対応します。英語専用モード（最速）と、主要な言語を幅広くカバーする多言語モードから選べます。Hedyがネイティブアプリを提供するすべてのプラットフォームで利用できます。macOS 15以降のApple Silicon Mac、iPhone XS以降、Neural Engineを搭載したiPad（iPad Pro 2018、iPad Air 3、iPad mini 5、iPad 第8世代以降）、Windows、Androidです。Apple製ハードウェアではNeural Engine上で動作し、話者をリアルタイムでラベル付けします。WindowsとAndroidでは、ラベルはセッション終了時に追加されます。モデルのダウンロードが一度だけ必要です（英語専用は約0.6 GB、多言語は約0.7 GB）。

• Deepgram：リアルタイムのストリーミングとスマートフォーマット機能を備えたクラウドサービスです。数十の言語に対応するNova-3を使用します。HedyはNova-3が提供するすべての言語を利用できるようにしているので、プロバイダーを切り替えることなく、対応するあらゆる言語で会議を文字起こしできます。スイスドイツ語、アルメニア語、グジャラート語、ネパール語、パンジャブ語のほか、オランダ語、フランス語、ポルトガル語、スペイン語、中国語の地域ごとの変種も含まれます。ご自身のAPIキーが必要です。

• OpenAI：音声区間検出と自動言語検出を備えたクラウド文字起こしです。ライブセッションはOpenAIの現行世代のgpt-live-transcribe、インポートしたファイルはgpt-transcribeで処理されます。以前保存したモデルがある場合は、古いモデルも引き続き選択できます。HedyはOpenAIの1接続あたり60分という上限を超えて長いセッションを続けられるよう、裏側で接続を切り替えます。そのため、1時間を超える会議も途切れることなく続きます。ご自身のAPIキーが必要です。

• xAI：xAIのgrok-voice-transcribeによるクラウド文字起こしで、セッションにはライブストリーミング、インポートしたファイルにはバッチ文字起こしを使います。25の言語に対応しており、カスタムボキャブラリーがヒントとして一緒に送られるため、名前や製品用語が希望どおりの表記で返ってきます。ご自身のAPIキーが必要です。

Whisper（ローカル）の設定

Whisperを使う場合は、デバイスや用途に合わせて最適化できます。

macOSをお使いの方：

• 小モデル：最速で処理できます。Intel Macにおすすめです

• 通常モデル：速度と精度のバランスが良く、ほとんどの方に向いています

• 大モデル（Large）：英語以外の多くの言語で、最も精度の高い選択肢です（一度だけ約900 MBのダウンロードが必要です）

iOS/Androidをお使いの方：

• 大きいモデルを使用：精度を上げたいときにオンにします。特に英語以外の言語で効果的です（iPhone 12以降、および2024年以降のAndroidスマートフォンのみ推奨）

音声区間検出（VAD）：

VADは、無音や背景ノイズを自動的に除外して、文字起こしの品質を高めます。この機能はWhisperでは標準で有効です。

• 有効/無効：録音環境に応じて、VADのオンとオフを切り替えます

• 感度：「高感度」（小さな音を含め、より多くの音声を取り込む）から「最大のフィルタリング」（明瞭な音声だけを取り込み、背景ノイズをより多く除外する）まで調整できます

文字起こしの頻度：

• 低速：文字起こしを1分間に約2回更新します（バッテリーを節約します）

• 標準：文字起こしを5秒ごとに更新します（ほとんどの方におすすめです）

• 高速：文字起こしを1秒ごとに更新します（消費電力が増えます）

Nemotron（ローカル）の設定

完全にデバイス上で文字起こしを行い、話している間にライブで文字起こしを表示します。Hedyがネイティブアプリを提供するすべてのプラットフォームで利用できます。iOS、iPadOS、macOS、Windows、Androidです。Apple製ハードウェアではNeural Engine上で動作します。

デバイスの要件：

• macOS 15以降を実行しているApple Silicon Mac（M1以降）、または

• iPhone XS以降、またはNeural Engineを搭載したiPad（iPad Pro 2018、iPad Air 3、iPad mini 5、iPad 第8世代以降）、または

• Windows、または

• 64ビットのAndroidスマートフォン

英語専用か多言語か：

プロバイダーのドロップダウンでは、Nemotronが2つの選択肢として表示されるので、会議に合うほうを選べます。

• Nemotron English Only（ローカル）：英語のストリーミング文字起こしで、最速のオプションです。

• Nemotron Multilingual（ローカル）：主要な言語を幅広くカバーするデバイス上のストリーミングで、英語以外も必要なときに使います。

どちらも完全にデバイス上で動作します。English Onlyは常に英語で文字起こしを行い、会議の言語設定は無視します。Multilingualは会議/授業の言語を使いますが、Auto-detect language（設定 > 音声とAI）をオンにすると、音声から言語を判別します。

初回のセットアップ：

1. プロバイダーのドロップダウンからNemotron English Only（ローカル）またはNemotron Multilingual（ローカル）を選びます

2. Nemotronモデルをダウンロードをタップします（英語専用は約0.6 GB、多言語は約0.7 GB）。Wi-Fiでのダウンロードをおすすめします

3. ダウンロードが終わると、次のセッションからNemotronが自動的に使われます

話者ラベルと一時的な音声キャッシュ：

デバイス上の2つのエンジンはどちらも、誰が話しているかをラベル付けします。Apple製ハードウェアのNemotronでは、話している間にラベルがリアルタイムで表示されます。WindowsとAndroidのNemotron、および対応デバイスのWhisperでは、セッション終了時に追加されます。話者を判別するため、Hedyは処理中、各セッションの音声をデバイス上の一時キャッシュに保持し、その後削除します。この音声はデバイスの外に出ません。一時音声キャッシュの設定は標準でオンです。Hedyの設定でオフにもできますが、オンのままにしておくと、話者の判別が最も正確になります。Whisperで話者ラベルを付けるには、このキャッシュかセッションの音声を保存のどちらかと、音声認識検出が必要です。Whisperの話者ラベルは、ウェブアプリと32ビットAndroidでは利用できません。

クラウドプロバイダーの設定

Deepgramの設定：

1. console.deepgram.comでアカウントを作成します

2. ダッシュボードからAPIキーを生成します

3. Hedyの設定で、ドロップダウンからDeepgramを選びます

4. APIキーを貼り付け、「テスト」をタップして確認します

5. モデルと言語の設定を選びます

6. コストを管理するため、セッションの最大時間を設定します

OpenAIの設定：

1. platform.openai.com/api-keysからAPIキーを取得します

2. Hedyの設定で、ドロップダウンからOpenAIを選びます

3. APIキーを入力し、接続をテストします

4. 使いたいモデルを選びます。ライブセッションの標準はgpt-live-transcribe、インポートしたファイルはgpt-transcribeを使います

5. 必要に応じて、感度を調整できる音声区間検出を有効にします

6. コストを管理するため、セッションの最大時間を設定します

xAIの設定：

1. console.x.aiからAPIキーを取得します

2. Hedyの設定で、ドロップダウンからxAIを選びます

3. APIキーを貼り付けます

4. コストを管理するため、セッションの最大時間を設定します

適切なプロバイダーの選び方

優先事項と用途に合わせて選びましょう。

• プライバシー最優先：ローカルエンジン（WhisperまたはNemotron）を使います。文字起こしのために音声がデバイスの外へ出ることはありません

• オフラインでの利用：ローカルエンジンはすべてインターネットなしで動作します

• クラウドの機能：Deepgram、OpenAI、xAIはクラウドベースの処理を提供します

• 音声検出：WhisperとOpenAIには、音声区間検出の機能があります

• スマートフォーマット：Deepgramは自動フォーマットのオプションを提供します

• 利用料金なし：ローカルエンジン（Whisper、Nemotron）には分単位の料金がかかりません

• より高速なデバイス上の文字起こし：Nemotronは通常、Whisperより低遅延の文字起こしを実現します

• 多言語のデバイス上ストリーミング：Nemotron Multilingualなら、幅広い言語でデバイス上の文字起こしができます

• お使いの言語に最適なデバイス上のエンジン：下の表をご覧ください

• 完全にプライベートな分析：Apple Silicon Mac、Windows PC、iPhone 15 Pro以降、M-seriesまたはA17 ProのiPad、対応するAndroidスマートフォンでは、ローカルの音声認識をローカルAI処理と組み合わせて、文字起こしもAI分析も完全にデバイス上で行えます。

言語別・使用するデバイス上のエンジン

WhisperとNemotronは、すべての言語で同じ精度とは限りません。下の表で会議/授業の言語を探して、どちらを選ぶべきか確認してください。両方のエンジンが十分に対応している言語では、より軽量で高速なNemotronをおすすめします。

表全体に当てはまる注意点がいくつかあります。

• NemotronはNemotron Multilingual（ローカル）を指します。英語の場合は、代わりにNemotron English Only（ローカル）を選んでください。

• Whisper Largeは、MacまたはWindows PCでモデルに大（Large）を選んだWhisperを指します。いくつかの言語ではデバイス上で最も精度の高い選択肢ですが、メモリをより多く使い、Nemotronより動作が遅くなります。お使いのコンピューターで遅すぎる場合は、それらの言語ではNemotronが次善の選択肢です。

• Whisper Largeは、スマートフォンやタブレットでは利用できません。表にWhisperとある場合は、デバイスが対応していれば大きいモデルを使用をオンにしてください。

• お使いのデバイスがNemotronを実行できない場合（Intel Macや古いiPhoneなど）は、Whisperを使ってください。

• アクセント、方言、複数の人が同時に話すこと、遠いマイクは、どの言語でも精度を下げます。

アフリカーンス語、広東語、ヘブライ語、セルビア語は、どのエンジンを使っても、他の言語より精度がはっきり低くなります。

コストについて

各プロバイダーの費用面は次のとおりです。

• Whisper（ローカル）：無料です。利用料金はかかりません

• Nemotron（ローカル）：無料です。利用料金はかかりません（モデルのダウンロードが一度だけ必要で、約0.6〜0.7 GBです）

• Deepgram：分単位の従量課金です（最新の料金はダッシュボードでご確認ください）

• OpenAI：利用量に応じた課金です（最新の料金はプラットフォームでご確認ください）

• xAI：時間単位の課金で、ライブセッションとインポートしたファイルで別々に請求されます（最新の料金はプラットフォームでご確認ください）

セッションの最大時間の設定は、意図しない夜通しの取り込みを防ぎ、APIコストを管理するのに役立ちます。

ベストプラクティス

• まずWhisper（ローカル）でこの機能に慣れ、お使いのデバイスが対応していればNemotronも試しましょう

• 重要なセッションの前に、短い録音でクラウドプロバイダーを試しておきましょう

• プロバイダーのダッシュボードでAPIの使用状況を確認し、コストを把握しましょう

• 状況に応じて、プロバイダーを使い分けましょう

• 旅行中やインターネット環境が限られた場所では、ローカルに切り替えましょう

• 適切なセッションの最大時間を設定しましょう（一般的な会議なら60〜120分）

トラブルシューティング

APIキーが機能しない

• キーを空白なしで最後までコピーしたか確認してください

• アカウントに利用可能なクレジットがあるか確認してください

• APIキーに必要な権限があるか確認してください

• プロバイダーのダッシュボードからキーを再生成してみてください

接続テストに失敗する

• インターネット接続が安定しているか確認してください

• ファイアウォールがWebSocket接続をブロックしていないか確認してください

• APIキーが有効で、十分な利用枠があるか確認してください

• 少し待ってから、もう一度試してください（一時的なサービスの問題の可能性があります）

文字起こしの問題

• Whisperの場合：別のモデルサイズを試してください

• WindowsのWhisperの場合：文字起こしが会話から大きく遅れる場合は、文字起こしが遅い場合のGPU設定を確認してください

• 専門用語、名前、略語の場合：カスタムボキャブラリー機能で追加してください

• Nemotronの場合：英語の会議にはEnglish Onlyモードを使い、他の言語にはMultilingualモードを使うか、言語を明示的に設定してWhisperに切り替えてください

• クラウドの場合：インターネット接続が安定しているか確認してください

• マイクが正しく設定されているか確認してください

• 録音中は、背景ノイズをできるだけ減らしてください

設定が保存されない

• 「保存されました」の表示が出るまで待ってください

• 保存中に画面を切り替えないでください

• 問題が続く場合は、アプリを再起動してください

• インターネット接続が安定しているか確認してください

APIキーはお使いのデバイスの暗号化されたキーチェーンに安全に保存され、Hedyのサーバーに送信されることはありません。機微な会話で最大限のプライバシーを確保するには、常にローカルエンジン（WhisperまたはNemotron）を使ってください。