Mac のリアルタイム文字起こし。上げて待つ手順なしで。
会議、講義、インタビュー、ポッドキャスト。Coco はそれが進行している最中に、この Mac の中にある Apple の音声エンジンで文字にしていきます。終わったときに手元にあるのは、各行にタイムスタンプが付き、行ごとに「自分」か「相手」の印が付いた、自分のフォルダの中のテキストファイルです。
文字起こしで一番つらいのは、待っている時間
Mac の文字起こしは、いまもたいてい昔のままです。録音し、ファイルを探し、アップロードし、待ち、数分後に Web ページに言葉が出てきます。代償は待ち時間だけではありません。音声はこのノートを離れ、使った分がプランから引かれ、できあがった原稿は自分の書類フォルダではなく他人のアカウントの中にあります。取引先へのインタビューや社内の振り返りでは、最後のこの一点が理由でこの種の道具を使わない人がかなりいます。
リアルタイム文字起こしは順番を逆にします。話された端から文字になるので、会議が終わった時点で原稿も終わっています。認識はその場で済んでいるのでアップロードするものがなく、ずっと出力を読んでいたので待つものもありません。残るのは物です。各行にタイムスタンプが付き、話者の印が付いたプレーンテキストのファイル。Spotlight でも grep でも、ディスク上の他のファイルと同じように探せます。一年後に開くのに、どこかへログインする必要もありません。
Coco が使うのは Apple 自身の音声フレームワーク、音声入力の裏にいるあれです。Mac の言語で Apple がオンデバイス認識を用意していれば、この機械の中で動きます。ファイルよりも、音が流れている最中に読めることの方が目的なら、Coco のライブキャプションのページを見てください。/features/live-captions が同じエンジンを読む側から説明しています。このページは、あとでディスクに何が残るかの話です。ウインドウを閉じたら消える帯ではなく、文書としての書き起こしです。
Coco の一回のセッションが残すもの
まだ話している最中に、もう文字がある
録音の段階も、処理の段階もありません。「開始」を選ぶとウインドウが出て、発話の一、二秒あとから行が埋まっていきます。Apple のエンジンは話者が区切るたびに一区切りを閉じます。Coco が静かに新しい要求を出し直すので、書き起こしは同じ一行を書き換え続けるのではなく積み上がっていきます。音声入力の枠と書き起こしの違いはここです。二時間の会議が続いている最中に最初まで遡って、冒頭の十分に何が話されたかを読めます。
相手の声も、自分の声も聞いている
システム音声は ScreenCaptureKit から入ります。macOS が画面収録に使うのと同じ経路なので、どのアプリでも対象です。Zoom、Teams、Meet、ブラウザのタブ、ポッドキャストのアプリ、講義の録画。マイクは同時に AVAudioEngine で別に捕まえます。二つは一つの一覧に落ち、マイクの行は「自分」、スピーカーから出るものはすべて「相手」の印が付きます。声紋ではなくチャンネルによる区別なので、一本のマイクを四人で囲んだ会議室は一人の「自分」として出ます。通話では、たいていこの切り分けが要るものです。
分単位の課金も、アカウントも、アップロードもなし
Mac の現在の言語で Apple がオンデバイス認識を用意していれば、Coco はそれを必須にします。音声はこの機械を離れず、セッションの長さにも上限がありません。三時間のワークショップも五分の朝会も費用は同じで、どちらもゼロです。Coco は買い切りで、背後に分を数えるプランがないからです。この機能に登録も、私たちのサーバーも、計測もありません。その言語に Apple のオンデバイスモデルがない場合は、音声入力と同じようにフレームワークが Apple のサーバーに切り替わり、接続が要ります。
出てくるのは自分のものになるファイル
停止すると Coco は各行にタイムスタンプの付いた .txt を書き、さらにマイク用とシステム音声用の .m4a を二本書きます。iCloud 同期が入っていれば iCloud Drive の Coco フォルダの中の Live Captions/Recordings に置かれます。同期を切っていれば ~/Library/Application Support/Coco です。「元の録音ファイルを保持」は既定でオンで、切ると停止したセッションにはテキストだけが残ります。「文字起こし記録」のウインドウが過去のセッションを並べ、読み返しも丸ごとのコピーもできます。進行中は「全文をコピー」が使えます。
Mac の言語に従い、無理なときは無理と言う
認識は SFSpeechRecognizer で句読点は自動、言語は「システム設定」にある Mac の現在の言語です。Coco の中に別の言語選択はまだないので、英語設定の Mac で日本語のインタビューを文字にするには、先にシステムの言語を切り替える必要があります。これは本物の制限なので、会議の最中に気づくより先にここに書いておきます。現在の言語に Apple の認識エンジンがなければ、ウインドウは黙って意味の通らない文字を出さずに、その旨を伝えます。
Coco と Otter.ai、macOS のライブキャプション、Raycast を並べる
会議の文字起こしと言えば多くの人が思い浮かべるのは Otter.ai で、いくつかの点では本当に Coco より優れています。チャンネルではなく声で話者を分け、会議を自分のスマートフォンや同僚と同期し、要約を書き、字幕形式で書き出せます。その代わり音声はサーバーへ行き、アカウントの後ろに入り、使った分がプランから引かれます。共有のワークスペースと名前付きの話者が要るなら、その交換は割に合い、そこで選ぶ道具は Coco ではありません。
Coco はもう一方の交換です。何もアップロードせず、何も計量せず、ログインもなく、終わったあとに残るのは Mac の中のフォルダにあるテキスト一つと音声二本です。Apple のライブキャプションも無料でデバイス上で動きますが、あれは読むための補助です。セッションを残さず、誰が話したかの印も付けず、ファイルもくれません。Raycast はランチャーで会議の文字起こしはしません。表にあるのは、一日の残りの時間の Coco もランチャーだからです。
| Coco | Otter.ai | macOS ライブキャプション | Raycast | |
|---|---|---|---|---|
| リアルタイム、話しながら文字が出る | ||||
| デバイス上で動き、オフラインでも使える | ||||
| アカウントもサインインも不要 | ||||
| 分単位の課金も月あたりの上限もなし | ||||
| 買い切りで、サブスクリプションなし | ||||
| どのアプリのシステム音声も文字にする | ||||
| マイクとシステム音声を同時に | ||||
| 自分のものになる .txt として保存 | ||||
| 元の音声が手元に残る | ||||
| 音声を一切アップロードしない | ||||
| 声で話者を聞き分ける | ||||
| 会議の AI 要約 | ||||
| チームの共有ワークスペース | ||||
| Mac を離れて録れるモバイルアプリ | ||||
| SRT などの字幕形式で書き出す | ||||
| アプリランチャーと一体 |
Coco で Mac の会議を文字起こしする
会議が始まる前に始めておく
メニューバーの Coco をクリックし、「Live Transcription」のサブメニューから「開始」を選びます。ウインドウが出た時点で聞き始めるので、挨拶の最中に思い出すより一分早く開けておく方が楽です。隠したウインドウは「Show」で戻り、「終了」でセッションを終えてファイルを書きます。
三つの許可は最初の一度だけ
システム音声には「画面収録」が要ります。macOS がそこに置いているからです。マイクには「マイク」、認識には「音声認識」。初回に macOS が一つずつ尋ねます。前に断ったものがあれば「プライバシーとセキュリティ」で入れ直し、Coco を再起動してください。画面収録の許可は再起動するまで効きません。
開けたままにして、読みたければ読む
パネルは通話の上に浮かび、クリックしてもフォーカスを奪いません。既定でピン留めされ、操作スペースを切り替えてもフルスクリーンの上でも見え、移動と大きさの変更ができ、文字の大きさは三段階です。「一時停止」は録音を止めずに新しい行だけ止めます。会議の途中でウインドウを閉じないでください。閉じるとセッションが終わります。
終わってから書き起こしを回収する
「終了」したあと、同じサブメニューの「文字起こし記録」で過去のセッションを読み、丸ごとコピーできます。.txt と二本の .m4a は iCloud Drive の Coco フォルダの中の Live Captions/Recordings にあります。iCloud 同期を切っていれば ~/Library/Application Support/Coco です。設定の「すべて削除」で保存済みのセッションを全部消せます。
Mac のリアルタイム文字起こしについてよく聞かれること
- ボットを会議に入れずに Zoom や Teams を文字起こしできますか？
- できます。Coco はシステム音声を ScreenCaptureKit から取ります。macOS が画面収録に使う経路なので、どのアプリが再生している音でも聞こえます。Zoom、Teams、Meet、ブラウザのタブ、ウェビナーのプレーヤー、録画された講義。会議アプリにプラグインは要らず、参加者一覧に見慣れないアシスタントが増えることもありません。マイクも同時に取るので、書き起こしでは相手側が「相手」、あなたが「自分」として話された順に並びます。条件は「画面収録」の許可だけで、macOS が一度尋ね、効かせるには Coco の再起動が要ります。
- 一回のセッションはどれくらい続けられますか？
- 認識がデバイス上で動いているなら、会議が続くだけ続けられます。その状態で Apple はセッションの長さに上限を設けていません。エンジンが一区切りを閉じるたびに Coco が認識の要求を出し直すので、三時間のワークショップも細切れにならず一本の連続した書き起こしになります。計量するものもありません。分という単位がそもそも存在せず、Coco は買い切りで背後にプランがないからです。実際の制限は普通のもの、音声のディスク容量と、電源を抜いているときのバッテリーです。オンデバイスモデルがない言語では Apple のサーバー経由になり、音声入力と同じ挙動になります。
- 最後に残るファイルの中身は何ですか？
- 一発言一行のプレーンな .txt で、各行にタイムスタンプと「自分」または「相手」の話者の印が付きます。さらにマイクから録った .m4a とシステム音声から録った .m4a が一本ずつ。「元の録音ファイルを保持」は既定でオンで、切ればテキストだけが残ります。iCloud 同期が入っていれば iCloud Drive の Coco フォルダの中の Live Captions/Recordings に置かれます。同期を切っていれば ~/Library/Application Support/Coco です。普通のファイルです。Spotlight で探せ、grep が通り、どのエディタでも開け、移動もバックアップも削除も誰の許可も要りません。
- 誰が話しているか分かりますか？
- チャンネルの意味でだけ分かります。マイクから来た行は「自分」、スピーカーから出るものはすべて「相手」で、通話ではたいていこの切り分けが必要なものです。Coco は声紋を取らないので、二人目の発言者が誰で三人目が誰かを名前で示すことはできません。一本のマイクを四人で囲んだ会議室は一人の「自分」として出ます。Otter.ai のような道具は本物の話者分離をしていて、上の比較表にもそう書いてあります。名前付きの話者が仕事に必要なら、それが正直なおすすめです。
- Coco のライブキャプションとは何が違いますか？
- 同じ機能を反対の端から説明したものです。Coco のライブキャプションのページ /features/live-captions は、音が流れている最中に読むための説明です。通話の言語が耳より文字の方が楽なとき、音を出せない場所にいるとき。このページは、そのあとに残るファイルの話です。どちらも同じメニューバーの項目から始まり、同じオンデバイスの Apple 認識を使い、同じ浮かぶウインドウで、同じ .txt と .m4a を残します。どちらを読むかは、会議中の言葉が欲しいのか、一か月後に検索できる記録が欲しいのかで決まります。
- 翻訳したり、字幕として書き出したりできますか？
- どちらもできません。二つとも、はっきりさせておく価値があります。Coco は話されている言語のまま書き起こし、翻訳はしません。翻訳はロードマップ上にあり、ライブキャプションのページで詳しく触れています。書き出すのもプレーンテキストで、SRT や VTT ではありません。字幕を作る道具ではなく、時間の付いた字幕の書き出しもありません。手に入るのはタイムスタンプ付きのテキストと元の音声で、ふだん使っている翻訳ツールや字幕エディタに渡すには十分です。その先は、そのために作られた道具を使ってもらう方がいいと考えています。
このプロンプトをコピーするか、すでに使っている AI にそのまま送ってください — あなたが自分で打つのと同じコマンドで Coco を動かします。
Coco のスキルをインストールし（npx skills add butterflydream-ai/Coco --skill coco -g -y）、coco を使ってMac のリアルタイム文字起こし。上げて待つ手順なしで。を手伝ってください。