ドラゴンスピーチは早すぎた。音声入力とAIが実った参入タイミング

何年も前、私はブログ記事を「しゃべって書こう」と本気で思っていました。 そのために買ったのが、ドラゴンスピーチという音声認識ソフトです。

結論から言えば、挫折しました。今日は、その挫折を出発点に、声で仕事をすることと、ビジネスの参入タイミングについて考えてみます。

なぜ私は、しゃべって書こうとしたのか？

当時は、いわゆる「ブログで食べていく」やり方が全盛期でした。とにかく記事の量をこなすことが正義、という空気があった時代です。

だから私は、書く量をどう増やすかで頭がいっぱいでした。そこで飛びついたのが、音声入力です。手で打つと疲れて手が止まる。でも、しゃべるだけなら疲れずに大量に書けるのではないか。そんな夢を抱いていました。ドラゴンスピーチに加えて、AmiVoice（アミボイス）という国産の音声認識ソフトも買って、試しています。

ドラゴンスピーチは、どこで挫折したのか？

ドラゴンスピーチは、当時としては画期的なソフトでした。もとをたどれば1997年に登場した、初めて「続けて話せる」ディクテーションソフトで、開発元はのちにNuanceへ、2022年にはMicrosoftに引き継がれています。

「使ううちにAIが賢くなる」ともうたわれていました。ところが、実際にはよく間違えるのです。しかも、今のAIのように文脈やニュアンスをくんで変換してくれるわけではありません。話した通りの音を、そのまま、しかも違う漢字で書き出してしまう。それを直すために、単語を一つずつ辞書に登録していく。

これを、いちいちやっていたら、きりがない。 そう思って、私はやめました。

今になって振り返ると、ドラゴンスピーチが悪かったわけではありません。やりたかったことは、正しかった。ただ、周りがまだ追いついていなかった。ひとことで言えば、早すぎたのだと思います。

足りなかったのは、精度だけだったのか？

「昔の音声入力は精度が低かったから」で片づけられがちですが、それだけではありません。

たしかに精度は上がりました。OpenAIは、音声を文字に変換するモデルの単語誤り率が、主要な言語で従来より1割以上下がり、日本語でも改善したと報告しています。聞き取りの正確さは、この数年でもまだ良くなっています。

けれど、本当に足りなかったのは、精度よりも「その先」でした。

一つは、修正の手間です。昔は、誤変換を見つけたら、自分で一つずつ直すしかありませんでした。今は、「ここを直して」と言えば、AIがその場で直してくれます。同じ間違いでも、後始末の重さがまるで違います。もちろん、最初に出てくる精度そのものも上がっています。

もう一つは、今のAIがライティング専用の道具ではない、という点です。だから、一つのプロジェクトの中で、構成の相談から始められます。「こういう構成にしたい」と話し、必要な本文を書いてもらい、編集し、追加で直して、やろうと思えばそのまま入稿の形まで持っていける。ドラゴンスピーチの時代は、この「その先」の工程がまだ育っておらず、書き起こしたあとは全部バラバラの手作業でした。今は、ひと続きです。

あの頃いちばん欲しかったのは、たぶん高精度な書き起こしではなく、この「ひと続き」のほうだったのだと思います。

そもそも、話すと打つより速いのか？

速いです。しかも、かなり。

スタンフォードなどの研究チームが2016年に行った実験では、スマホでの短い文章の入力は、音声のほうがキーボードより英語で約3倍速いという結果が出ました（1分あたり153語対52語）。当時の音声エンジンで、この差です。

ただし、これは英語・中国語の短文を、実験室で測った数字です。日本語にそのまま当てはまるわけではないので、方向性として受け取ってください。もう一つ、この実験では、音声のほうが最終的な文章にわずかに直し残しの誤りが多い、という結果も出ています。つまり、声は速くアイデアを出す入口には向くけれど、最後の仕上げは人の目が要る、ということだと思われます。

私が昔つまずいたのも、まさにこの「仕上げ」でした。声は速く出せても、最後に整える目は、今も人の側に残っています。

同じアイデアでも、「いつ」やるかで結果が変わる

ここで、ドラゴンスピーチの話が、もっと大きなテーマにつながります。参入のタイミングです。

Idealabのビル・グロス氏は、TEDの講演で面白い分析を紹介しています。約200社の成否を分けた要因を調べたところ、最大の要因は「タイミング」で、全体の42%を占めました。チームと実行が2位、そしてアイデアそのものは3位だったのです。

彼が挙げた例が象徴的です。オンライン動画のZ.comは、1999年から2000年にかけて、回線が細すぎて動画が観づらく、数年で消えました。ところがその2年後、Flashが普及し、ブロードバンドがアメリカの世帯の半分を超えたころ、YouTubeがちょうどよいタイミングで登場します。同じ「動画」というアイデアでも、早すぎれば潰れ、時が来れば当たる。

なお、この分析はグロス氏本人による約200社のランキングで、査読された研究ではありません。数字そのものより、「良いアイデアでも、タイミングがずれると実らない」という見方として受け取るのがよいと思われます。

私が音声入力で挫折したのも、これと同じでした。声で書くというアイデアは正しかったのに、周りのAIがまだなかった。ドラゴンスピーチは、Z.com側だったのです。

では、何から始めるか？──弱いのはアイデアではなく、タイミング

ここまでを、明日から使える一つの形にまとめます。持ち帰ってほしいのは、これひとつです。

温めているのに動けていない企画があるなら、「アイデアが弱いのでは」と疑う前に、まず「タイミングはどうか」を見てください。そして、声で出してAIに形にさせるやり方は、今がちょうど旬です。頭の中にある断片を、キーボードの前で固まる代わりに、声に出して吐き出し、AIに整えてもらう。

私が昔つまずいた「疲れずに大量に書く」という夢は、今なら普通に手が届きます。変わったのは、私のアイデアではなく、時期のほうでした。

新しいことを始めるとき、私たちはつい「良いアイデアかどうか」を考えます。けれど、ビル・グロスの42%が教えてくれるのは、「今なのか」を見極める目のほうが、ときに効くということです。あなたが温めているものにも、案外、ちょうどいい時期が来ているのかもしれません。この分野ならこの会社と思い出される、その場所づくりを始めるのも、案外、今なのだと思われます。

なお、音声認識も生成AIも、変化の速い分野です。ここで挙げた数字や機能は、2026年時点での方向性の一つとしてお読みください。