音声入力によるAIの活用には主に2つのアプローチがあります:

1. リアルタイムの音声入力ソフトウェア: Nuance Dragon Dictationのようなツールを使うと、リアルタイムで文章を入力でき、スペリング、文法、句読点も自動的に処理されます。この方法は正確性に課題がありますが、ChatGPTのような言語モデルを使ってテキストを整形することで解決できます。

2. 非同期の音声入力とWhisperモデル: OpenAIのWhisperモデルを使うと、音声を録音してから文字起こしできます。この方法は手順が多いですが、リアルタイムの入力を好まない場合や高品質の録音がある場合に有効です。その後、言語モデルを使ってテキストを適切に整形することができます。

どちらの方法も文章作成の効率を大幅に向上させることができます。自分のワークフローと好みに合った方法を見つけることが重要です。少しの設定で、AIの力を活用して音声入力のプロセスを効率化し、創造的な作業に時間を費やすことができます。

リアルタイムの音声入力モデルであるDragon Dictationを使う場合のプロセスは以下の通りです:

1. Dragon Dictationや、Microsoft WordやGoogle Docsの内蔵音声入力機能などの専用ソフトウェアを使用します。
2. ノイズキャンセリング機能付きのヘッドセットを使用して、正確な文字起こしを行います。
3. 音声入力ボタンを押して、テキストを話し始めます。ソフトウェアがリアルタイムで文字起こしを行います。
4. 文字起こしされたテキストを確認し、スペリング、同音異義語、欠落単語、その他の不整合を修正します。
5. 編集プロセスを加速するために、一般的な問題を修正するカスタムのGPTプロンプトを作成できます。
6. 文字起こしされたテキストにプロンプトを適用すると、GPTモデルが整形された版を提供してくれ、時間と労力を節約できます。

このワークフローにより、音声入力で素早くアイデアをキャプチャでき、AIによる編集で仕上がりの良い最終原稿を得られます。

この方法の最初のステップは、音声入力したテキストを音声ファイルとして録音することです。スマートフォン、ボイスレコーダー、Windowsの標準サウンドレコーダーなど、さまざまな方法で録音できます。

音声ファイルが用意できたら、OpenAIのWhisperモデルを使って文字起こしできます。残念ながら、ChatGPTへの音声ファイルのアップロードなどの機能がまだ利用できないため、OpenAIのPlaygroundの「Complete」レガシー機能を使う必要があります。

手順は以下の通りです:

1. OpenAIのPlaygroundで「Complete」レガシー機能を選択します。
2. 右上の「Speech to Text」オプションをクリックします。
3. 音声ファイルをドラッグアンドドロップします。
4. Whisperモデルが音声ファイルを文字起こしします。

文字起こしには、発話した句読点が文字化されたり、段落の開始位置が適切でない場合があります。これらの問題を解決するために、ChatGPTの別のプロンプトを使って整形できます。

プロンプトは以下のようになります:

「以下は音声入力されたテキストです。発話された句読点を実際の句読点に変換し、'new line'と書かれている箇所で段落を作成するよう修正してください。」

このように、文字起こしされたテキストをChatGPTに貼り付けると、整形された版が得られます。

この方法は、Dragon Dictationのワークフローと似ているように見えますが、リアルタイムの入力を好まない場合や、移動中に録音する場合に有効です。

結局のところ、どちらの方法も音声入力にAIを活用し、編集工程を効率化するのに役立ちます。自分のニーズに合わせて、適切な方法を選択することが重要です。