Hex は macOS、Windows、Linux で動くローカルの音声入力ツールで、3.3.0 版。OpenCode を手がける Anomaly が MIT ライセンスで公開し、主な言語は Rust だ。

操作は三つに縮む。キーを押さえ、話し、離す。変換は手元で行われ、文字はフォーカスのある入力欄にそのまま貼り付く。ダイアログは出ず、クリップボードに残して自分で貼る必要もない。初回だけ音声モデルを落とし、そのあとの日常の入力にネットは要らない。

埋めているのは精度の差ではない。話し終えてから文字になるまでの間にかつてあった、送信と待ちと確認の三段だ。それを削った結果、残るのはキーを押している時間と、カーソルがあった場所に届く文字になる。

離した瞬間、文字はもう画面にある

初期の音声変換は「録ってから計算する」方式だった。話した分だけ溜め、離してから動き出す。Hex は 2.3 版から話しながら変換するようになり、離すときには最後の一片を締めるだけで済む。プロジェクトの数字では、二分の入力が RTX 5070 Ti で 0.9 秒から 0.1 秒へ、MacBook Air M4 で 2.8 秒から 0.1 秒へ縮んだ。この差が、たまに使う道具か、手が本当にキーボードを離れられるかを決める。

細部にいくつか取捨がある。300 ミリ秒未満の軽い打鍵は入力とみなさない。キーを二回続けて押すと連続録音になり、もう一度押すと終わる。直前の結果は貼り直せる。Esc では取り消せない。口に出した言葉は必ず渡される。

モデル一覧は言語と代償で選ぶ

設定のローカル変換の欄は候補のモデルを並べ、どのカードにも容量、対応言語数、実測速度が書いてあるので、どれを選ぶかの代償が見える。Parakeet Unified English は英語のストリーミング向けで約 731MB、実時間の 163 倍と称し、自社計測の誤り率は 1.60 パーセント。Whisper large-v3-turbo は百を超える言語を 886MB で覆い、自前の語彙も受け取る。Cohere Transcribe は十四言語だけを扱い、2.4GB を使って 1.27 パーセントの誤り率を買う。中国語にはより軽い選択が二つあり、Qwen3-ASR 0.6B と SenseVoice Small だ。

一覧の外のモデルも使える。自前の GGUF ファイルを取り込むか、ローカルの Hugging Face キャッシュに落ちている重みをそのまま使う。選んだモデルが現在の言語に対応していないときは、「英語に切り替えました」のように Hex がはっきり告げる。黙って誤字の羅列を返したりはしない。モデルごとに前回の言語を覚えるので、行き来しても設定し直さなくていい。

アプリが変われば規則も変わる

音声入力の本当の面倒は変換のあとにある。同じ語でも、チャットでは通じる形に、端末では命令の形に、エディタのコメントではコードの作法の内側に収める必要がある。Hex はモードでこれを扱う。前面のアプリやサイトに規則一式を結びつければ切り替えで効き、全体モードが残りを拾い、チャットと端末はそれぞれ別を持つ。

モードでいちばん役に立つのは訂正語彙だ。open code を OpenCode に固定し、いつも聞き間違えられる名前を正しく書く。事後の置換だけでなく、認識の偏りとしてモデルにも渡す。

その上に任意で OpenCode による書き換えを重ねられる。前面アプリ名、現在のドメイン、変換テキストをまとめて設定済みのモデルに渡し、読みやすい文章を受け取る。Hex が OpenCode を起動することはなく、動いていなければ警告が一行出るだけ。書き換えに失敗しても、ローカルの変換結果と済んだ訂正は残る。

会議が終われば、文字はもう二本に分かれている

実験区には触れておきたいものが二つある。会議の記録は、Zoom、Google Meet、Teams、Slack などでの通話に気づき、小さなカプセルで先に尋ねる。同意するまで録らない。録音中はシステムの音と自分のマイクを別のトラックに分けるので、変換結果は誰が何を言ったかの推測ではなく、会話として読める。

終われば Markdown に書き出せ、Mac ではローカルのモデルが題名と要約を付ける。もう一つは注釈だ。画面収録中に同じキーを押さえたまま画面に線を引き、描きながら話す。キーフレーム、筆跡、変換テキストが一緒にクリップボードへ落ちる。どちらも実験区にあり、形はこれから変わる。

エージェントに開けた口

Hex 3.3.0 の価値の半分は画面の中にない。コマンドラインから入力の開始、モデルの切り替え、時間やアプリでの履歴検索、語彙の追加ができ、結果は JSON か Markdown で出せる。読み取り専用の MCP の口が履歴と会議の記録を外部のコーディングエージェントに差し出す。ローカルの HTTP インターフェースと TypeScript SDK もある。自分の変換規則をコードとして書けば、話した内容はテキスト欄で誰かのコピーを待たず、そのまま自分の流れに入る。

境界は正確に

プライバシーは正確に述べておきたい。Hex は既定では入力音声を保存しないが、貼り付けに成功したテキストは残る。既定で七日、一万件か 16MiB を超えると古いものから消え、残さない設定も、一括で消すこともできる。診断ログは変換内容と前面アプリ名を含みうるが、送信はしない。テキストが出ていくのは書き換えを有効にしたときだけで、行き先は自分が設定した提供元だ。

プラットフォームの条件は厳しい。macOS は Apple シリコン限定で、システムは 15 以上。Windows と Linux はまだ beta で、Windows の x64 版は 2013 年以降の AVX2 対応プロセッサを要し、GPU 推論には Vulkan 1.2 のドライバが要る。なければ遅い CPU の道に戻る。

Linux では全体のホットキーと貼り付けが、デスクトップ環境のプロトコル対応に左右され、一部の Wayland コンポジタでは自分でコマンドを割り当てる必要がある。リポジトリも外部からの提案は受け取らない。問題は issue でチーム自身のエージェントが拾い、コードは開いているが、直すためというより読むためのものに近い。

Hex 3.3.0 の価値は機能表の長さではない。「話す」をいつでも呼び出せるローカルのサービスに変えたことにある。ホットキー一つは人のため、コマンド一行と MCP 呼び出し一回はプログラムのためだ。毎日大量の文字を計算機に入れ、声をサーバーに渡したくない人には、数百 MB の容量を使う価値がある。何も考えずに使いたい人には、モデル、モード、権限という段をやはり上ってもらうことになる。

バージョン

3.3.0、MIT ライセンス、ソースは GitHub。

対応環境

macOS は Apple シリコン限定で 15 以上、Windows と Linux は beta。

モデル

選択により 700MB から 2.4GB、初回に一つ落とす。

ネット

モデルがあれば入力自体にネットは要らない。