whisper-voice

Whisper Voice — ライブ音声テキスト変換 Mac アプリ

目標

ライブマイク音声をキャプチャし、WhisperKit（Apple Silicon 上）を使ってオフラインで文字起こしし、カーソル位置にテキストを自動入力するネイティブ macOS メニューバーアプリを構築して実行します。

入力

名前	型	必須	説明
model_size	string	いいえ	Whisper モデル：tiny、base（デフォルト）、small
language	string	いいえ	「en」（デフォルト）またはヒンディー語モードの「hi」
chunk_duration	float	いいえ	音声チャンクあたりの秒数（デフォルト：3.0）

処理

1. アプリをビルドする

cd AiwithDhruv_Voice/WhisperAiwithDhruv
swift build

2. アプリを実行する

swift run WhisperAiwithDhruv
# Or open in Xcode: open Package.swift → Cmd+R

3. 初回起動時の設定

1. プロンプトが表示されたら、マイクの使用を許可します
2. 「システム設定」→「プライバシー」→「アクセシビリティ」でアクセシビリティを許可します
3. モデルのダウンロードを待ちます（base モデルで約140MB）

4. 使い方

• Cmd+Shift+Space — 録音のオン／オフを切り替えます
• メニューバーのマイクアイコンをクリックして操作します
• 話すと、カーソル位置にテキストが自動入力されます
• ヒンディー語／Hinglish 入力では、ヒンディー語モードに切り替えます

出力

名前	型	説明
transcribed_text	string	カーソル位置に入力される、リアルタイムで文字起こしされたテキスト
history	array	メニューバーに表示される、直近50件の文字起こしエントリ

エッジケース

• マイクなし：メニューバーのドロップダウンにエラーを表示します
• アクセシビリティが許可されていない：自動入力は無効になり、履歴から手動でコピーできます
• 無音：VAD が無音チャンクをスキップします（エネルギーベースのしきい値）
• 幻覚：Whisper によく見られるアーティファクト（「Thank you.」、「...」）を除外します
• モデル未ダウンロード：ダウンロードの進行状況バーを表示します

環境

• macOS 14 以降（Sonoma）
• Apple Silicon（M1/M2/M3/M4）
• Xcode 15 以降（ビルド用）
• API キーは不要です（完全オフライン）

スキーマ

入力

名前	型	必須	説明
model_size	string	いいえ	tiny / base / small
language	string	いいえ	en / hi
chunk_duration	float	いいえ	2.0 - 8.0 秒
silence_threshold	float	いいえ	0.002 - 0.05

出力

名前	型	説明
transcription	string	リアルタイムのテキスト出力
auto_typed	boolean	テキストがカーソル位置に入力されたかどうか

認証情報

名前	ソース
なし	完全オフライン、API キー不要

組み合わせ可能なツール

video-edit（文字起こし字幕を追加）、send-telegram（文字起こしをスマートフォンに送信）

コスト

無料 — すべてデバイス上で実行されます。モデルのダウンロードは初回のみです（base モデルで約140MB）。