Chatterfly が解こうとしているのは「聞き取りの精度」ではなく、話し終えてから送れる文章になるまでの、誰もやりたくない工程だ。散らかった口述を、そのまま出せる書き言葉に変える。

書く作業が詰まるのは、たいてい指のせいではない。頭の中の考えはもともと散らばっていて、話し言葉で、飛び飛びに進む。ところが鍵盤の上では、すぐに筋の通った言い回しの文にしろと言われる。その間の整理は、毎回自分で抱え込むしかない。音声入力はこの問題を避けているように見えて、実際には半分しか避けていない。打鍵は確かに省けるが、出てくるのは話したままの言葉で、つなぎの語も繰り返しも途中で切れた文もそのままだ。

Chatterfly はテンセントが二〇二六年九月に試験提供を始めた、音声入力と表現支援のための道具だ。掲げられている言葉は「考え終わらなくていい、口を開けばいい」。位置づけとしては、音声をより正確に文字へ変えることでは満足していない。口述と成稿の間の距離そのものを消そうとしている。

Fn を押さえた瞬間、扱っているのは音だけではない

呼び出す既定の方法は Fn キーだ。長く押しても短く叩いても始まり、話し終えてからもう一度押すと止まる。注目すべきは、選ばなかった道のほうだ。系統の入力方式を乗っ取るのではなく、独立した常駐の道具として机の上に居座り、書類の画面でも会話の窓でも閲覧の入力欄でも、入力方式を切り替えずにそのまま呼び出せる。この形が届く範囲を決める。画面の上で文字を打てる場所ならどこでも、そのカーソルの後ろで引き継げる。

話し終えれば稿になる。間の一手が消えている

会話の窓で Fn を押したまま一段落話し、離すと出てくるのは逐字の記録ではない。何かを通したあとの文章だ。話し言葉の重複は取り除かれ、乱れた語順は整い、項目に分けるべきところは自然に分かれ、呼びかけと調子も相手に合わせて変わる。公式の説明は「文脈を理解し、意図と状況を見分ける」というものだ。今夜の集まりに行けないという同じ用件でも、友人に送る場合と同僚に送る場合では、出てくる言い回しが違う。

その下には、口述、整文、成稿という一続きの流れがある。考え方としては、使う人本来の調子と立場をできるだけ残し、全員の表現を同じ型の言葉に洗い流さないことを狙っている。試験提供の段階では、ここが要になる。第三者の評価では、音声と指示の力はテンセントの混元系列の大きなモデルに支えられているとされるが、公式が技術の細部を項目ごとに説明しているわけではない。

六つの技能が、何を書いているのかを整文に伝える

技能はこの道具で最も見分けやすい部分だ。最初に六つが用意され、会議の記録、仕事の報告、案件の進行、広告の文案、メールの整文、そしてモデルの支援を受けてコードを書く開発者向けの指示文の改善が並ぶ。どれも個別に入り切りでき、入れるとモデルはその状況に合わせて縦方向に加工する。通りがよいか誤りがないか、という一般論で止まらない。

違いは具体的なシーンで最もはっきりする。広告の文案の技能を入れたまま製品の紹介を話すと、売りどころの重なりを持ち、そのまま配信できる文案が出てくる。メールの整文を入れて「この案はまだ終わっていない、明日でいいか」と話すと、言い回しが整い、期日を明確に示した正式な返事になる。同じ一言でも技能を変えれば成果物の形はまるで違う。ここが普通の聞き取りの道具との距離だ。

音声は入力だけでなく、指示としても使える

Fn を二度叩くと指示の状態に入る。このとき話すのは「打ち出す中身」ではなく「モデルに任せる仕事」だ。文案を一段落書く、いまの内容を英語に訳す、長い文章を要点に絞る。話し終えればその場で結果が出て、別の窓へ移って貼り付ける必要はない。対話の力を入力の段階に埋め込むことは、入力の道具を記録の道具から実行の入口へ一歩押し出すことでもある。

鍵盤による入力も犠牲になっていない

音声がどれほど楽でも、声を出してよい場所ばかりではない。Chatterfly は鍵盤からの入力を丸ごと残している。読みの入力、短縮の入力、中国語と英語の混在、長い文の続け打ちに対応し、流行の語や専門の名詞も辞書の範囲に入る。個人の辞書は、音声の記録のあとに手で直した語を黙って覚え、固有名詞を自分で足すこともでき、これまで育てた辞書を一度に移し替えることもできる。道具を変えるときの負担が軽くなる。

最初の画面には使用の集計がある。入力した総文字数、打鍵と音声それぞれの割合、音声で入れる速さ、省けた時間が並ぶ。この数字が文章そのものを良くするわけではないが、音声でどれだけ省けたかを、感覚から確かめられるものへ変えてくれる。

いま、どこまで使えるのか

Chatterfly はまだ期間を限った試験提供の段階で、使うには案内の符号が要る。対応するのは Windows と macOS だけで、iOS と Android は追って公開と記され、正式版の価格は示されていない。記録と録音は既定でその端末の中に置かれるが、文字への変換と整文そのものは遠くのモデルに頼るので、込み入った内容では公式の個人情報の扱いに従うべきだ。

試験提供で見えた限界も、はっきり書いておきたい。数字と記号の組み合わさった語は、読みの入力で候補が正確でないことがある。会議の記録の技能はまだ調整の途中で、静かな声や弱い回線は、狙った改善があるとはいえ実際の録音の条件に左右される。いちばん覚えておくべき点はもっと単純だ。モデルが返すのはいつでも下書きであり、対外的な約束や価格や期日を含む内容は、送る前に人が一度目を通すべきだ。

本当に増えたのは「認識の精度」ではない。考えてから言い切るまでの工程を引き受けたことだ。口を開けばよく、あとは任せられる。