「プライバシー重視の文字起こしアプリ」と一言で言っても、実は2つの全然違う意味がある。この2つを混同したまま録音をアップロードすると、機密性の高い音声が思わぬところに流れ着くことになる。
ひとつは物理的な意味。音声が端末から一歩も出ない。自分のスマホやパソコンの中だけで文字起こしが完結し、ベンダーもクラウド事業者も、将来その事業者に開示請求をするかもしれない誰かも、コピーを一切手にしない。もうひとつは契約的な意味。音声は外に出ていく。ただしその会社が「ちゃんと扱います」と約束している——暗号化する、学習に使わない、要求すれば削除する、という形で。
どちらもそれなりに理にかなっている。でも同じ約束ではない。前者はファイルが物理的にそこに留まるという事実そのものが保証で、後者はポリシー文書とその会社が約束を守る意志が保証になる。買い物リストを文字起こしするだけなら、この違いはどうでもいい。でも、職を失いかねない情報源を文字起こしするなら、この違いがすべてになる。
このガイドはその線引きでAI文字起こしの世界を整理する。何が本当にローカルで、何がプライベートクラウドで、そして自分たちのツールがどこに当てはまり、どこには当てはまらないかも含めて、正直に書いていく。
オンデバイスかプライベートクラウドか——効いてくる境界線
考え方はシンプルだ。どの文字起こしツールにも、まずひとつだけ質問すればいい。自分の音声はアップロードされるのか？
答えが「いいえ」——処理が自分のハードウェア上で完結する——なら、それはオンデバイスの領域にいる。傍受されるアップロードもなく、サーバー側に漏れるコピーもなく、読むべき保持ポリシーすらない。他人のコンピューター上に何も存在しないからだ。これは今のところ最強のプライバシー姿勢と言っていい。代償は利便性。ローカル処理は端末のチップ性能に縛られるので、長いファイルは重くなりがちだし、凝った機能も薄くなりやすい。
答えが「はい」——音声がサーバーへ行く——ならクラウドの領域で、ここからプライバシーは物理の話ではなく信頼の話になる。優れたプライベートクラウドサービスは、アップロードを暗号化し、録音を学習に使わないと書面で約束し、削除も自分でコントロールできる。良くないサービスは、この3つのどれかについて曖昧か、あるいはビジネスモデルそのものがあなたのデータで静かに成り立っている。両者の差はとても大きいのに、宣伝ページからは見えない。どちらも「安全です」と言っているから。
どちらか一方が絶対的に正しいわけではない。オンデバイスは保証の強さで勝ち、クラウドは速度・言語対応・機能で勝つ。誠実なやり方は、その録音の機密度に応じてモデルを選び分けることだ。「プライベート」をひとつのチェック項目として扱うのはもうやめたほうがいい。
本当にオンデバイスな選択肢
Whisperを自前で動かす——プライバシーの基準点
録音を絶対に外へ出せないなら、答えはこれしかない。OpenAIのWhisperはオープンソースの音声認識モデルで、ダウンロードして完全オフラインで動かせる。アカウントもアップロードもサブスクリプションも要らないし、間に挟まるサーバーもゼロだ。90以上の言語に対応していて、自分のノートパソコン上で走らせれば、音声は最初にあった場所からまったく動かない。
正直に言っておくべき欠点もある。素のWhisperは「モデル」であって「製品」ではない。標準では気の利いたアプリが付いてこないので、コマンドラインで作業するか、自分でスクリプトを組む必要があり、話者ラベルも要約も整った編集画面も、自分で作らない限り出てこない。同音異義語の判断でも、文脈から自己修正するタイプのツールに劣る場面がある——これは実際に測ってみたことがある。ただ純粋なプライバシーという一点では、これに勝るものはない。向いているのは、技術的な作業に抵抗がなく、音声が絶対に外に出ないという保証がどうしても欲しい人。
Whisperベースの Mac アプリ——ターミナルを使わずローカルに
誰もがコマンドラインを触りたいわけじゃない。それは当然だ。いくつかのMacアプリは、同じWhisperモデルをちゃんとしたインターフェースの中に包んでいる。ファイルを放り込めば、ローカルで文字起こしされ、音声はやはりMacから一歩も出ない。オンデバイスの保証はそのままに、セットアップの手間だけ大きく減らせる。
トレードオフはモデル由来のものがそのまま残る。Macのチップ性能に頼ることになるので、長いファイルには相応の時間がかかるし、フル機能の会議スイートというより文字起こし専用のアプリであることが多い。それでも、システム管理者みたいなことをせずにローカルなプライバシーが欲しいなら、これは現実的な中間案だ。向いているのは、オンデバイス処理を普通のアプリの使い勝手で欲しいMacユーザー。
Appleの標準文字起こし——すでにポケットの中にある
多くの人にとって一番プライベートなツールは、実はもう持っているものだったりする。最近のiOSとmacOSは、対応言語であればボイスメモやディクテーションを端末内で文字起こしする。音声はテキストになるためにAppleのサーバーへ送られない。ちょっとした個人的なメモや単発の録音には、無料・即座・そして正真正銘ローカル、という組み合わせが手に入る。
ただし天井は低い。言語対応は専用のクラウドツールよりずっと狭く、本格的な話者分離もなければ、会議要約や検索できるアーカイブもない。きれいな日本語のメモ1本にはよく効くが、3人が同時にしゃべる2時間の多言語インタビューを与えると、あっという間に手が回らなくなる。どこまでできてどこから先はダメなのか、iPhoneボイスメモの文字起こしガイドで具体的に掘り下げている。向いているのは、スマホの中に留めておきたい、素早い単一言語の個人メモ。
プライベートクラウド側の選択肢——物理ではなく信頼
ここからはもう一方の陣営の話だ。これらのツールは音声をアップロードするので、プライバシーの問いは「誰かに音声が渡る可能性があるか」から「その扱い方を信頼できるか」に変わる。それは自動的に劣っているという意味ではない。違う種類の取引で、日常的な録音の大半にとっては十分理にかなった取引だ。物理的な保証と引き換えに、速度・幅広い言語対応・話者ラベル・要約・検索できるアーカイブを手にする。
失って困るものをアップロードする前に、実際にチェックすべき点はこの4つ。
- 転送中も保存時も暗号化されているか — 最低限、これは譲れない
- 「あなたの音声を学習に使わない」という明確な約束があるか — ポリシーに書いてあるかどうか。ただの暗黙の了解ではダメ
- 削除を自分でコントロールできるか — ファイルを消したら本当に消えるか
- ビジネスモデルがあなたのデータそのものではないか — 無料なのに収益源が曖昧なら、あなたの録音がその答えの一部だと思っておいたほうがいい
この4つに正面から答えられるサービスなら、会議メモや講義、ポッドキャスト、大抵のインタビューには十分な行き先だと思う。逆にここが曖昧なサービスには、機密性の有無にかかわらず、そもそも音声を渡すべきではない。
Atter AI はどこに当てはまるか——そして当てはまらないか
ここは率直に言っておきたい。プライバシーの記事で盛りすぎるのは一番やってはいけないことだから。Atter AIはクラウドツールであって、オンデバイスではない。 音声はアップロードされ、サーバー上で文字起こしされる。録音を絶対に自分のハードウェアから出したくない、というのが要件なら、Atterは答えにならない。自前で動かすWhisperか、Appleの端末内文字起こしのほうが正解だ。ここを取り繕うつもりはない。
Atterが力を発揮するのは、あくまでプライベートクラウド側だ。座席数を数えるエンタープライズ向けというより個人向けに作られていて、クリーンな音声では98.7%の精度に達し、90以上の言語に対応、コードスイッチング（言語が混ざる音声）のような難しいケースも扱える。単一ファイルは最長5時間または2GBまで動かせて、月間の分数上限もない。「無料アプリが裏で会議データを収集しているのが嫌だ」というのが本当の懸念で、「サーバーに一切触れさせたくない」という話ではない場合——実はこちらのケースのほうがずっと多い——なら、音声を自分のものとして扱うプライベートクラウドツールのほうが、ローカルモデルに2時間の多言語録音を無理にこなさせるより、はるかに現実的な選択になる。Otterからの乗り換えを検討していて、その理由のひとつがプライバシーなら、Otter代替のまとめでも同じ観点から扱っている。向いているのは、完成度が高く多言語対応でプライバシーにも配慮したクラウドを求める人。ハードウェアから絶対に音声を出したくない、という要件がある人には向かない。
Good Tape ——ジャーナリスト寄りのアップロード型
一部のクラウドツールは、特にプライバシーを気にする人たち——情報源を守るジャーナリストや、倫理審査を受けた研究者——を意識して作られている。インターフェースは意図的に簡素で、データの扱い方を前面に押し出し、幅広い言語をサポートする。それでもやはりクラウドツールなので、同じ4つのチェックは必要になる。ただ、この問いに真剣に向き合っている点は、その辺の無料Web文字起こしよりずっとましだ。向いているのは、情報源の保護をある程度意識したシンプルなクラウドアップローダーが欲しい記者や研究者。
結局どれを使えばいいのか
一律のルールではなく、その録音1本1本の機密度にツールを合わせるのが正解だ。
秘匿性のある、あるいは本当に機密性の高い音声——法務、医療、リスクを取って話してくれた情報源など——ならオンデバイスに留めておく。技術に強ければ自前のWhisper、アプリの使い勝手が欲しいならWhisperベースのMacアプリ、単発の単一言語メモならAppleの標準文字起こし。録音がハードウェアから一歩も出ない、それだけが開示請求や情報漏えいをくぐり抜ける唯一の保証だ。
日常的な音声で、プライバシーは気にしつつもツールにちゃんと働いてほしい——会議、講義、命に関わるわけではないインタビュー、多言語のファイル、長時間の録音——なら、暗号化し、学習に使わず、削除できるプライベートクラウドサービスが妥当な落としどころになる。信頼しているのはポリシーだけど、その代わりにローカルモデルでは手が届かない精度・言語対応・機能が手に入る。Atter AIはここに位置するし、ジャーナリスト寄りのアップロード型ツールも同じ場所にいる。
避けるべき失敗は「クラウドを使うこと」自体ではない。「何も考えずにクラウドを使うこと」だ。検索結果の一番上に出てきた無料ツールに、機密性の高い録音をそのまま放り込む——そのツールのビジネスモデルが音声の上に静かに成り立っているかもしれないのに、それを確認せずに。プライバシーポリシーを1分読む手間のほうが、あとで払う代償よりずっと安い。
もっと広い候補から選びたいなら、音声文字起こしアプリの比較や多言語文字起こしアプリの選び方でも、プライバシーを含めた観点で他のツールを検証している。
よくある質問
オンデバイス文字起こしとは、具体的に何を指しますか？
オンデバイス（ローカル）文字起こしとは、音声があなた自身のスマホやパソコンの上だけで処理され、どこにもアップロードされないことを指します。録音そのものも、そこから生まれたテキストも、あなたが物理的に管理するハードウェアの中に留まります。これは「データを大切に扱います」というクラウドサービスの約束とは、そもそも種類が違う話です。オンデバイスなら、そもそも傍受される・開示請求される・漏えいするアップロードが存在しません。代わりに端末の処理性能に頼ることになるので、長い録音は時間がかかりやすく、機能面ではクラウドツールに一歩譲ることが多いです。
Whisperは文字起こしで一番プライベートな方法ですか？
自分の手元で動かすなら、まず間違いなくそうです。OpenAIのWhisperはオープンソースの音声モデルで、完全オフラインで自分のマシン上だけで動かせます。だから音声は一度も外に出ません。プライバシーを最優先する人にとってはこれが基準になります。ただし正直に言うと、素のWhisperは「モデル」であって「完成したアプリ」ではありません。きれいな画面もなく、話者ラベルや要約も標準では付いてこないので、ある程度セットアップに慣れている必要があります。Whisperをベースにした Mac アプリなら、モデルの精度はそのままに、もう少し扱いやすくなります。
クラウド型の文字起こしアプリでもプライバシーは守られますか？
それなりに守られますが、性質が違うプライバシーです。クラウドツールは音声をアップロードするので、あなたが信頼しているのは「ファイルが端末から出ない」という物理的な事実ではなく、そのサービスの方針——どう保存するか、学習に使うか、いつ削除するか——です。アップロードを暗号化し、録音を学習に使わないと明言し、削除もできる、そういうプライベートクラウドサービスなら、日常的な音声の大半には十分な選択肢です。ただし法務・医療・情報源の保護が絡む本当に機密性の高い音声は、オンデバイスを基本にしたほうが安全です。
iPhoneのボイスメモは端末内で文字起こしされますか？
対応言語であれば、そうです。最近のiOSとmacOSは、ボイスメモやディクテーションを端末内で文字起こしし、Appleのサーバーに音声を送りません。iPhoneの地味だけど効いているプライバシー機能のひとつです。ただし言語対応は大手クラウドツールよりずっと狭く、話者分離や会議要約のような踏み込んだ機能もありません。雑音混じりの音声では精度も専用アプリに及ばないので、ちょっとした個人的なメモには最適ですが、2時間の多言語インタビューには荷が重いです。
機密性の高いインタビューを文字起こしするなら、一番安全な方法は？
オンデバイスに留めることです。機密インタビュー、内部告発者との会話、法務・医療の秘匿特権が絡む音声は、自前で動かすWhisperかWhisperベースのMacアプリのようなローカルツールを使い、録音を外部サーバーに一切触れさせないのが基本です。速度や言語対応の理由でどうしてもクラウドを使うなら、アップロードを暗号化し、音声を学習に使わないと明言し、削除できるサービスを選び、可能なら名前などをアップロード前に伏せてください。絶対にやってはいけないのは、ビジネスモデルがよく分からない無料ツールに秘匿性の高い音声を放り込むことです。