Gemini新機能「口述筆記」録音後処理との違いは

Googleの公式ブログが8月25日、GoogleのAIアシスタント「Gemini」のmacOS版アプリに「インテリジェント口述筆記」という機能を追加したと発表した。

デスクトップ上のどのアプリのウィンドウに向かって話しかけても、話した内容がそのままカーソルのある位置に、整形済みの文章として入力されるという機能だ。

口述筆記とは、話した言葉をそばで書き取ってもらう行為を指す言葉で、この機能はそれをAIが代行する形になる。

発表によれば、話し言葉に混じる「えーと」「あのー」といった言いよどみを自動で取り除き、話している途中で言い直した部分も検知して、最終的な文章には残さない仕組みだという。

詳細はGoogleの公式ブログで公開されている。

macOSを使う人にとって、この機能はキーボード入力の代替になる。

メールの下書きやメモ、資料の一文を、タイプする代わりに声で流し込める。

ここで見落としやすいのは、これが会議の議事録機能ではないという点だ。

似た響きの機能に、Androidに追加された「Geminiに相談」のようなスマホ側のGemini拡張があるが、あちらは情報収集の入口を増やす機能で、今回の口述筆記は入力そのものを置き換える機能に当たる。

用途が違う以上、支える技術も違う。

リアルタイムの口述筆記は、話しているそばから遅延なく文字に変える必要がある。

これを実現するには、音声を短い単位に区切りながら順番に処理していくストリーミング型の音声認識が使われる。

ストリーミング型は「今どこまで話したか」を逐次確定させていく設計のため、後から出てくる文脈を待ってから直す余地が乏しい。

一文の言い直しを拾えるのはこの機能の見せ場だが、話者が複数人いて発言が重なったり、話が長く脱線したりする場面では、リアルタイム処理の強みは急速に薄れる。

一方で、会議やインタビューのように複数人が入れ替わり発言し、あとから要点だけを取り出したい場面では、録音してから処理する方式のほうが分がある。

録音した音声をまとめて渡せば、AI側は誰がいつ話したかを整理し直したり、通しで聞き直してから話の要旨をまとめたりする余裕を持てる。

Claude・Gemini・GPTで要約の設計を変えるという論点がすでに指摘しているとおり、要約の質はモデルの選び方だけでなく、どの段階でどれだけの文脈を与えられるかにも左右される。

リアルタイム処理は「今この瞬間」の発話しか見えないが、録音後処理は会話全体を見渡した上で要約を組み立てられる。

この違いを踏まえると、使い分けの基準は単純だ。

一人で考えを声に出しながら文章を組み立てたいなら、口述筆記のようなその場処理が向く。

複数人の会話を後から振り返りたい、あるいは聞き逃した発言を確認したいなら、録音してから処理する方式のほうが向く。

同じ「音声をテキストにする」技術でも、設計思想が違えば得意な仕事も違うという事実は、今後も音声入力とAI議事録の両方が併存し続ける理由になっている。