オープンソースの音声入力ツールを一つずつ確かめた(2026年)

オープンソースの音声入力を検索すると、行き着く先は2つのどちらかで、どちらもあなたの問いには答えていません。

VoiceBoard編集部更新日 2026年9月2日

ひとつめは、単語誤り率で順位を付けた音声認識モデルの比較で、書いているのは音声認識をAPIとして売っている会社です。製品を作るなら役に立ちます。メールに向かって話したいだけなら役に立ちません。ふたつめは、たまたまその語句で上位に来ている特定のアプリのトップページで、「どのオープンソースの音声入力を使えばいいか」への答えは、予想どおり、これです、になります。

その間にあるのが、40以上のプロジェクトを並べたGitHubのよくできた一覧です。日付なし、ライセンスなし、評価なし。40件は0件より悪い。その40のほとんどは、この1年半のあいだに誰かが週末に公開したもので、どれがそうなのかを見分ける手立てがないからです。

そこで私たちは退屈な部分をやりました。2ダースのプロジェクトについて、ライセンスファイル、星の数、最後のリリース日を同じ日に引き出し、実際に入れようとした人たちの不満を読みました。生き残ったものを並べます。

2026年8月27日に確認。以下のライセンス、星の数、リリース日はすべて、その日にプロジェクト自身のリポジトリかベンダー自身のページから読み取りました。

全体の一覧

この分野でラベルどおりでないもの3つ

どのまとめ記事もやらない部分です。10分かかって、人に嫌がられるからです。

FUTO KeyboardとFUTO Voice Inputはソース公開であって、オープンソースではありません。コードは公開され、アプリは完全にオフラインで動き、プライバシーの主張は成り立ちますし、多くのAndroid利用者にとっては本当に最良の答えです。ただしライセンスファイルの名前はFUTO Source First License 1.1で、こう書かれています。「非商用の目的でのみソフトウェアを改変できる」「ソフトウェアまたはそのソースコードの一部を配布できるのは、非商用の目的で無償で行う場合に限る」。これは、どの一般的な定義に照らしてもオープンソースのライセンスではありません。オープンソースであることが要件でFUTOを選ぼうとしているなら、その要件は満たされていないと知っておくべきです。

Talonの中核はプロプライエタリです。Talonは、手を使えず声でマシン全体を動かす必要がある人にとって真剣な選択肢で、利用者のスクリプトは公開されて広く共有されています。混同はそこから生まれます。アプリケーション本体は違います。EULAは「Talonのバイナリ、更新、ファイル、コード、およびリバースエンジニアリングされたTalonのコードから作られたあらゆる成果物は、公にも私的にも再配布を許されない」と述べています。これを前提に計画を立てる前にもうひとつ。ドキュメントはLinux対応がX11のみであること、そして「WaylandコンポジタにはTalonに必要なAPIがなく、Waylandへの対応予定はない」ことを書いています。

オープンソースと無料は同じ語ではありません。VoiceInkはすべてをGPL-3.0で公開しています。読めて、監査でき、費用ゼロで自分でビルドできますし、リポジトリのBUILDING.mdにやり方が書かれています。開発者は同時に、自動更新とサポートの付いた署名済みビルドを29ドルで売っています。この2つは同時に成り立ちますし、これは落とし穴ではなくこの分野でいちばん健全な形です。動き続けるように誰かが報酬を得ていて、その人が止めても、コードはあなたのものです。

ほとんどが同じ3つのエンジンで動いている

これに気づくと、選択はぐっと楽になります。日本語で使う人にとっては、ここが記事の中でいちばん大事な節です。

Whisper(OpenAI、MIT、星108,018)は多言語の既定で、99言語をまかない、デスクトップ用のクライアントの多くが最初に載せるものです。新しめのマシンでは問題なく、古いマシンでは遅い。日本語で使えるのは実質これです。ひとつ実務的な注意があります。言語を自動判別に任せると、短い発話で日本語を中国語と取り違え、日本語として不自然な漢字だけの文が返ることがあります。言語を日本語に固定できるツールを選んでください。

Parakeet(NVIDIA、Hugging Faceのparakeet-tdt-0.6b-v3、CC-BY-4.0、商用利用可)は速いほうです。ただし対応するのはヨーロッパの25言語で、日本語は入っていません。必要なメモリはおよそ2GB、CPUでも実用的な速さで動くので、Handyの作者は既定でこれを勧めていると書いています。M1のノートで動かしたMacWhisperの利用者は、2025年8月18日のHacker Newsで差をこう表しました。「録音の文字起こしの速さはWhisperの少なくとも10倍に感じるし、精度も良い」。日本語で書く人には、この推薦はそのまま当てはまりません。Handyでも他のどのツールでも、既定のParakeetからWhisper系のモデルへ自分で切り替える手順が最初の作業になります。

Vosk(Apache-2.0、星15,080)は古株です。50MB前後の小さなモデルがRaspberry Piでも動き、30以上の言語をまかない、nerd-dictationの裏にいるエンジンです。日本語のモデルも配布されています。ただし日付に注意。コミットはまだ入っています(私たちが見たいちばん新しいものは2026年8月9日)が、タグ付きの最後のリリースは2024年4月22日のv0.3.50です。今日Voskベースの道具を入れるなら、2年前のパッケージを入れることになります。

実務的な結論。文字起こしの品質はほぼモデルで決まり、そのモデルには全員が同じようにアクセスできます。プロジェクト同士で実際に選んでいるのは、その外側の殻です。ホットキーは効くか、文字は正しい窓に着くか、OSの更新を越えて生き延びるか、不具合を直している人がいるか。そして日本語の場合はもうひとつ、そのモデルを差し替えられる作りになっているか、が加わります。

Macでは

Macにいちばん多くの選択肢があるのは、いちばん多くの人が書いているからです。

VoiceInkが私たちの案内先で、理由は思想的ではなく退屈なものです。公開されたコードと保守されたビルドが同じ人から出ていて、しかも両方が最新である唯一のプロジェクトだからです。ライセンスファイルはただのGPL-3.0。バージョン2.13は私たちが確認した当日に出ました。WhisperとParakeetをNeural Engineで動かすので、何もマシンから出ませんし、任意のクラウドの段階が触れるのはすでに口述した文字だけで、音声には触れません。使い心地はプロジェクトというより有料アプリに近い。名前や専門用語のための個人辞書、どのアプリにいるかで設定が切り替わるモード、初日から思ったとおりに振る舞うキーボードショートカット。iOSアプリもあります。日本語で使うなら、モデルはWhisper系を選んでください。Parakeetは日本語に対応していません。

制限は硬く、はっきり言う価値があります。Appleシリコン専用、macOS 14.4以降。2019年のIntel MacBookでは、いくら払っても選択肢になりません。ローカルのモデルはメモリを欲しがりますし、最初のモデルのダウンロードは回線が遅いと時間がかかります。

新しめのMacを使っていて、面倒を見なくていいローカルの音声入力が欲しいなら、VoiceInkを試してください。Mac 1台で買い切り29ドル、2台で49ドル、3台で69ドル、14日の返金付き。Xcodeを開いてビルドするほうが良ければ無料です。詳しくはVoiceInkのレビューで。

FluidVoiceは、無料のMac向けでいちばん勢いのある選択肢です。GPL-3.0、星10,970、見た日にもコミットがあり、いまはWindowsビルドもあります。OpenSuperWhisper(MIT、星2,727)はもっと小さく素直です。HandyもMacで動きますし、持っているすべてのマシンで同じ道具を使いたいならこれを試すことになります。

Windowsでは

Handyが現実的な既定です。MIT、星30,459、2026年8月24日のv0.9.6、wingetでも普通のインストーラでも入り、望みどおりのことをひとつだけやります。ショートカットを押し、話し、離すと、カーソルの位置に文字が出る。無音は文字起こしの前に除かれ、設定でWhisperの各サイズとParakeetを選べます。日本語で使うなら、この設定を最初に開いてWhisper系に切り替えてください。

これについて正直な注記を2つ。作者はプロジェクトの紹介ページで率直で、2025年9月28日のHacker Newsのスレッドでも引用されています。「これは私の最初のRustのプロジェクトで、それが見てとれます。不具合も、粗いところも、設計上の判断も……」。そしてこの種のオープンソースのデスクトップアプリはウイルス対策ソフトを鳴らします。Whisperingが2025年8月にバージョン7.3.0を出したとき、8月18日にある投稿者がVirusTotalの結果を貼り、AVGとAvastがインストーラを望ましくない可能性のあるものとして印を付けていました。同じスレッドの別の投稿者が言ったとおり、他の窓に文字を打ち込むアプリは、セキュリティ製品が捕まえるために作られたものとまったく同じ振る舞いをします。小さなプロジェクトの署名なしのビルドはこれからも鳴らし続けますし、出所を信用するかどうかはあなたが決めることになります。

OpenWhisprがもうひとつの現行の選択肢です。MIT、星5,780、ひとつのコードベースからmacOS、Windows、Linux、iOSへ。既定はローカルのモデルで、有料のクラウドの層は無視できます。

Windowsには無料の標準の音声入力(Win+H)もあり、何かを入れる前に知っておく価値がありますが、これはクラウドのサービスです。マイクロソフト自身のドキュメントが、インターネット接続を必要とすると書いています。日本語にも対応しています。無料であることと外に出さないことは別の問題で、標準の道具が解くのはそのうち片方だけです。Windows全体の見取り図はWindows向け音声入力アプリの決定版にあります。

Linuxでは

ここではオープンソースは好みではなく、存在する唯一の分類です。そして正直な絵にはとがった縁がいくつかあります。

HandyはLinuxで動き、実際に勢いのあるいちばん大きなプロジェクトです。但し書きはWaylandです。2026年8月下旬の時点で、GNOMEのWaylandでのグローバルショートカットとテキスト挿入について、2026年4月27日から8月13日のあいだに立てられた課題とプルリクエストが開いたままで、いくつかはまだ議論の途中です。X11では素直に動きます。Waylandでは、それを前提に一日を組む前に、自分のコンポジタの課題管理を見てください。

Speech NoteはLinuxでいちばん穏やかな選択肢で、いちばん語られていません。MPL-2.0、FlathubでFlatpakとして配布、バージョンは2026年6月28日の4.9.0、音声からテキスト、テキストから音声、オフラインの翻訳をひとつのアプリに詰め込み、AMDとNVIDIA向けのGPUの追加も選べます。すべてが手元で動き、ネットワーク接続は要りません。まずノートを取るアプリなので、システム全体に効く音声入力が重心ではありませんが、窓の中で書いて文字を取り出す用途なら、何もコンパイルせずに動きます。

nerd-dictationには一段落を割きますが、主にこの種の一覧がどう書かれているかについての警告としてです。Voskの上に載ったよくできた単一ファイルのPythonスクリプトで、話した数を数字に変え、設定がただのPythonなので出力を好きなように書き換えられます。同時に、タグ付きのリリースが一度もなく、最後のコミットは2025年10月10日です。Hacker Newsのある投稿者が2022年1月にまとめた一言はいまも当てはまります。「解決策というより、明らかに自作派・ハッカー向けだ」。今年公開された「Linux向けオープンソース音声入力の決定版」の類のほぼすべてで上位に現れますが、その土台のエンジンの最後のリリースが2024年だと書かれていることはまずありません。日本語で使うなら、Voskの日本語モデルに差し替える手間が加わり、話した数を数字に変える機能は英語向けの実装なので日本語ではそのままは効きません。

スクリプトが好きなら、それは正当な道で、20行ほどです。あるHacker Newsの読者が2025年8月に自分のものを投稿しました。キーを押したらffmpegの録音を開始、離したら止める、そのファイルをwhisper.cppのwhisper-cliに通し、結果を打ち込む。インストーラなし、ウイルス対策の警告なし、更新するものもなし。それが喜びなのか雑用なのかが、この節のすべての問いです。プラットフォーム別の案内はLinux向け音声入力アプリにあります。

Androidでは

Transcribro(ISCライセンス、星739)がきれいな答えです。完全に端末内で動くキーボードと認識サービスで、whisper.cppの上に作られ、F-Droidから入ります。日本語もWhisperの対応言語なので通ります。開発は静かで、私たちが見た最後のコミットは2025年8月29日なので、成長中というより安定と見なしてください。

FUTO KeyboardとFUTO Voice Inputがよく知られた2つです。完全にオフラインで、アカウントも要らず、サブスクではなく任意の買い切りで支えられています。ただしオープンソースの棚に置く前に上のライセンスの節を読んでください。そして機能と言語をまだ埋めている最中だというプロジェクト自身の言葉を、そのまま受け取ってください。日本語の対応がどこまで来ているかは、入れる前に自分で確かめる項目です。

Androidでの無料の基準線はGboardの音声入力で、言語パックをダウンロードすればオフラインでも動き、日本語のパックもあります。そしてほとんどの人はすでに入れています。

オープンソースがまだ負ける場所、具体的に

ぼんやりとではなく。5か所を、出典付きで。

1. 誰もあなたの話し方を整えてくれない。これが本当の欠落で、失望のほとんどを説明します。有料のクラウドの道具は2段階を踏みます。文字起こしをして、それから書き直す。書き直しが「えーと、思うんですけど、会議をずらすのは、やっぱり木曜にしましょう」をきれいな一文に変えます。ローカルのモデルは最初の段階しかやりません。Whisperingの保守者は2025年8月19日のHacker Newsではっきり書いています。「最近の文字起こしモデルは、組み込みの推論や整形があまり良くない。Whisperの『prompt』引数は非常に弱い」。そして使える最善の回避策は、文字起こしを別の言語モデルに通すことだ、と。それは自分で組めますし、いくつかのプロジェクトはもう同梱しています。ただし箱から出したままなら、返ってくるのは言ったとおりのもので、言いよどみも込みです。日本語ではもうひとつ、Whisperの出力は「。」「、」を打ってはくれますが、話し言葉の「〜なんですけど」を書き言葉に均すことはしません。

2. Whisperは無音のところで物語をこしらえる。「Careless Whisper: Speech-to-Text Hallucination Harms」(FAccT 2024)で、Koenecke らは音声区間の1.4%が話されていない文字列を生成したこと、そしてその幻覚の38%が、作り出された暴力や虚偽の帰属といった明確な害を含んでいたことを見つけました。幻覚は発話の切れ目のまわりに集まります。メールを口述するぶんには珍しい現象で済みます。読み返さないものには、済みません。研究は英語の音声で行われていますが、この癖は日本語でも同じで、間を置いて考える話し方をする人ほど当たりやすくなります。

3. インストールは実費です。署名なしのビルドへのウイルス対策の警告、役に立つエラーも出さずに失敗するモデルのダウンロード、権限のダイアログ、Wayland。2025年8月にLinuxでWhisperingのAppImageを試したある利用者は、モデルのダウンロードに失敗し、手作業でモデルをつなぎ、そして長さゼロの音声ファイルを得て、8月21日にこう結論しました。「このソフトはまだ日常的に使える段階にない。少なくともLinuxでは」。これは1つのプロジェクトの1日の話で、その後は前に進んでいますが、体験の形としてはよくあることなので、そうでないふりをするのは不誠実です。

4. サポートとは課題管理のことです。問い合わせ窓口はありません。OSの更新のあとホットキーが効かなくなったら、選べるのは待つか、スレッドを読むか、自分で直すかです。

5. これらのプロジェクトの大半は消えます。2025年11月から2026年8月のあいだに、ほとんど同じローカル音声入力アプリがHacker Newsに十数件投稿されたのを数えました。Ito、Vocalinux、Toice、Purr、Fonos、TypeWhisper、Recitey、TongueType、Plainsay、Velora、Dictataなど。大半は5点未満、コメントはゼロでした。これは小さなプロジェクトに限った話でもありません。星26,772のMozillaのDeepSpeechはアーカイブ済みです。それを引き継いだCoqui STTは2024年3月以降コミットがなく、背後の会社もその年に畳まれました。星の数は公開日の熱量を測ります。リリース日は、まだ誰かがそこにいるかどうかを測ります。

勝つ場所、そしてそこは小さくない

音声がどこにも行かない。セキュリティのページに書かれた方針としてではなく、ネットワーク呼び出しが存在しないからです。これは誰かを信用することに依存しない唯一のプライバシーの主張で、医師や弁護士や秘密保持契約の下で働く人が最後にここへ来る理由です。

上限なし、アカウントなし、更新なし。有料の音声入力は月8〜15ドル、無料枠は週2,000語前後で止まります。話す時間にしておよそ15分です。ローカルの道具に語数計がないのは、数えるサーバーがないからです。

モデルを自分で選べる。Whisper Mediumのほうが、Largeよりあなたの声に合うかもしれません。Parakeetはあなたのノートで5倍速いかもしれません。Handyの作者は、自分の話し方にはTurboよりMediumが良いと気づきました。モデルを差し替えられて初めて分かる類のことです。日本語では、この自由がそのまま使えるかどうかの分かれ目になります。Parakeetが選べない以上、Whisperのどのサイズを選ぶかが唯一のつまみだからです。

動き続ける。ベンダーがあなたの構成を終了することも、価格を変えることも、あなたの国はもう対象外だと決めることもできません。消費者向けの製品線が畳まれていくのを見たDragonの所有者たちは、それがどれほどの価値かを知っています。

読める。あなたが読むわけではないでしょう。それでも誰かは読めますし、打ち込むものすべてを見ているアプリの分野では、それが普段より重い意味を持ちます。

今日動く音声入力がただ欲しいなら

ひるまずに書きます。この種のことを楽しめないなら、オープンソースはいまのところ、良い音声入力への最短の道ではありません。有料の道具のほうが整形がうまく、署名と公証がされていて、問い合わせ先があり、値段は月2ドルから15ドルです。

それが自分だと思うなら、この分野ごと飛ばして、プラットフォーム別の案内から始めてください。Mac向け音声入力アプリの決定版、Windows向け、Linux向け。どれも最初に無料の標準の選択肢を挙げています。3つのうち2つのプラットフォームでは、多くの人にとってそれで本当に足りるからです。

入れなかったものと、その理由

Amical(MIT、星1,508)、VoiceTypr(AGPL-3.0、692)、OpenSuperWhisper(MIT、2,727)、それにおよそ30件。どれも実在し、どれもいま保守されています。本編の表に入れなかったのは、上の道具と同じことを、より少ない人数でやっているからです。毎日使うものに若いプロジェクトを勧めるのは、半年後に入れ直すことになる典型的な道です。全体を見たいなら、GitHubのawesome-voice-typingの一覧が、私たちが見つけた中でいちばん網羅的です。

Whispering。このページで何度も引用していますし今も良い道具ですが、単独のリポジトリはアーカイブ済みだと知っておいてください。いまはEpicenterのモノレポの中にあり、探すならそちらを見ることになります。

モデルのライブラリ:faster-whisper、WhisperX、sherpa-onnx、NeMo。これらは部品であってアプリケーションではありません。何かを作っているなら優れています。口述したいだけなら、棚が違います。

ライセンスファイルなしにオープンソースを名乗るページのすべて。有料の非公開ソースの製品が、その語句だけで作られたページでこの手の検索の上位に来ます。確認は1分です。リポジトリを見つけ、LICENSEファイルを開き、最初の行を読む。

確かめ方

2026年8月27日に、このページのすべてのプロジェクトについてGitHubのAPIに問い合わせ、4つのことを記録しました。ライセンスファイルの中身、星の数、最後のタグ付きリリースの日付、最後のコミットの日付です。価格と動作要件は同じ日にベンダー自身のページから取りました。ライセンスについての記述は宣伝文ではなくライセンスファイルかEULAから引用しています。FUTOとTalonの項目が他所と違って見えるのは、そのためです。

精度の比較試験はしていませんし、このページに私たち自身の単語誤り率はありません。速度や精度が書かれているところは、公開された研究か、日付のある公開のスレッドで名前の分かる利用者から来ていて、そう明示しています。引用した不満はすべて人と日付に結び付けてあるので、どれくらい古びているかを判断できます。いくつかは2025年のもので、すでに直っているかもしれません。