Outlookの組み込みディクテーションボタンにはMicrosoft 365が必要で、Microsoftの古い音声エンジンを使用しています。StarWhisperは無料で、ローカルで動作し、より高い精度を得るためにOpenAI Whisperを使用し、従来版のOutlook、新しいOutlook、Outlook on the webで動作します。
従来版のOutlook、新しいOutlook、Outlook on the webで動作します。
ホームページまたはMicrosoft StoreからStarWhisperをダウンロードします。Whisperモデルをバンドルしているため、初回起動時のインストーラのサイズは約200 MBです。アカウント登録、クレジットカード、クラウド要件はありません。インストール後、アプリを一度起動し、30秒のセットアップ（デフォルトのマイク、ホットキーの選択、残りのデフォルト設定の承認）を完了します。その後、アプリはシステムトレイに常駐し、邪魔になりません。
使用しているOutlook（従来版のデスクトップ、新しいOutlook（再構築されたUWPバージョン）、またはブラウザのOutlook on the web）を起動します。「新しいメール」（またはCtrl+N）をクリックして作成ウィンドウを開きます。これは返信や転送でも同じように機能します。Outlook内で何かを有効にする必要はなく、アドイン、設定、トグルも不要です。StarWhisperはOutlookの外側で完全に動作します。
ディクテーションしたテキストを挿入したいメッセージ本文内にカーソルを置きます。まずそこをクリックすれば、件名、宛先/Cc/Bccフィールド、またはOutlook内のその他のテキスト入力欄にもディクテーションできます。ルールはシンプルです。キーボードのカーソルがある場所が、StarWhisperが入力する場所です。だからこそ、従来版、新版、Web版のOutlookで同じように機能するのです。
デフォルトのホットキー（右Alt）を押したままにします。画面の隅に小さな録音インジケーターが表示されます。自然にメールを話します。「コンマ」「ピリオド」「新しい段落」「クエスチョンマーク」と言うこともできますし、Whisperが得意とするイントネーションからの句読点推測に任せることもできます。発話が短く自然なほど文字起こしの精度は高くなりますが、長い独り言にも対応します。
ホットキーを離します。1〜2秒（GPUがあればそれ以下）でトランスクリプトがOutlookの本文にキーボード入力のように表示されます。読み返し、まれな誤りを修正して、「送信」を押します。追加のディクテーションを続けて保持し、段落を追加していくことも、音声が苦手な技術的な部分（型番、URL）を通常のタイピングと混ぜて入力することもできます。
より高い精度、サブスクリプション不要、より多くの場所で動作。
Outlookのディクテーションボタンは、Microsoft 365のサブスクリプションアカウントと最近の買い切り版ライセンスにのみ表示されます。StarWhisperにはMicrosoftへの依存関係は一切ありません。無料のOutlook on the web、古いOutlook 2016、または任意の365ティアでも、同じディクテーションが利用できます。
Whisperのベンチマーク精度は約98%です。Microsoft Speech（Outlookのディクテーションで使用）は、アクセントや語彙に応じて88%〜92%程度です。その差は、訛りの強い英語、名前、専門用語、長い発話で最も顕著に現れます。精度の詳細。
現在、3つのOutlookのフレーバーは分化しつつあります。Microsoftのディクテーションボタンは、従来版と365のWebクライアントで最も信頼性が高いです。StarWhisperはOSレイヤーで入力するため、Outlookアドインとしてではなく、3つすべてで同一に動作します。
Whisperは96言語をサポートし、話している言語を自動的に検出します。英語で返信した後、すぐにドイツ語、次に日本語で返信しても、設定を変更する必要はありません。国際的なサポート、営業、採用チームに役立ちます。
StarWhisperのローカルモードは、オーディオを完全にCPUまたはGPUで処理します。オーディオがデバイスから外に出ることはありません。コンプライアンスのコンテキスト（法務、医療、人事）、飛行機や電波の弱い地域での作業、または外部への音声送信が制限されている共有ワークステーションに役立ちます。プライバシーの詳細。
同じインストールで、Word、Excel、Teams、ブラウザ、Slack、Notion、その他のWindowsのテキストフィールドに入力できます。ユニバーサルアプリの対応範囲。
Microsoftは2018年頃にOutlookにディクテーションボタンを追加し、それ以来徐々に改善してきました。それは機能します。静かな部屋でハイエンドのマイクを使った単発の短いメッセージでは、その役割を果たします。しかし、人々が代替品を探す原因となる3つの永続的な問題があります。
第一に、音声モデルです。Microsoftは独自の音声エンジンを使用しており、これは長年存在し、着実ですがわずかなアップデートしか受けていません。対照的に、OpenAI Whisperは680,000時間の多言語オーディオでトレーニングされ、標準テストセットでのワードエラー率で約6〜10ポイント高く評価されており、訛りの強い英語、専門用語、名前、長い発話でその差は広がっています。ソフトウェアエンジニアがバグレポートをディクテーションしたり、リクルーターが面接後の候補者メモをディクテーションしたりする場合、まさにそれがMicrosoft Speechが苦戦する条件です。
第二に、サブスクリプションの壁です。ディクテーションのリボンボタンはMicrosoft 365の機能です。買い切り版のOutlook 2019や古いバージョンを使用している場合、そこには単に存在しません。組織がより安価な365ティアやビジネス以外のエディションに留めている場合も、ボタンがないことがあります。
第三に、新しいOutlookへの移行です。Microsoftは、従来のWin32デスクトップアプリを徐々に置き換えるために、Webテクノロジーに基づく新しいOutlookを展開しています。ディクテーションボタンは両方で機能しますが、基礎となる動作はわずかに異なり、ホットキーも異なり、アドインは綺麗に移行されません。バージョンが混在する組織の人々は、一貫性のないディクテーション動作に悩まされることになります。StarWhisperは、Outlookの一部ではなく、OSレベルでアクティブなテキストフィールドに入力するため、これらすべてを回避できます。
一般的なメールディクテーションの条件における概算のワードエラー率（低いほど良い）：
| 条件 | Microsoft Dictate | StarWhisper (Whisper) |
|---|---|---|
| ネイティブ英語、静かな部屋、ヘッドセットマイク | ~5% WER | ~2% WER |
| ネイティブ英語、ノートPCのマイク、オフィスの騒音 | ~10% WER | ~4% WER |
| 訛りの強い英語（インド、中国、東ヨーロッパなど） | ~15-22% WER | ~5-8% WER |
| 専門用語（型番、専門用語、頭字語） | ~18% WER | ~6% WER |
| 長文（3段落以上） | ~12% WER | ~3% WER |
| 英語以外（ドイツ語、スペイン語、フランス語、日本語） | ~12-25% | ~3-7% |
数値は概算であり、マイク、部屋、コンテンツによって異なります。このパターンは、メールのディクテーションにおいて最も重要な条件（長いメッセージ、技術的なコンテンツ、訛りの強い話者）で一貫して当てはまります。
StarWhisperには「Outlookフィールド」という特別な概念はなく、これがシンプルに機能する理由です。キーボードのカーソルがある場所ならどこでも、そこが文字起こしされたテキストの着地場所になります。いくつかの実用的なパターンを紹介します：
件名フィールドをクリックします。ホットキーを押したまま件名を言います。離します。完了です。件名は短い傾向があるため、ディクテーションはほぼ瞬時に完了します。
本文をクリックします。ホットキーを押したままメッセージ全体を一度に、あるいはいくつかのバーストでディクテーションします。バースト間で考えることもできます。ホットキーを離すと、エンジンは各バーストを独立して処理します。声に出しにくいチャンク（URL、コード、技術的な設定）については、ディクテーションと通常のタイピングを混ぜて使用できます。
Outlookのオートコンプリートが既知の連絡先に対して高速であるため、有用性は低いです。ただし、アドレスをディクテーションし、最初の数文字が入力された後にオートコンプリートに引き継がせることは可能です。
新しいメッセージと同じフローです。引用されたテキストの上の返信本文をクリックし、ディクテーションして、送信します。引用されたスレッドは影響を受けません。
同じホットキーで、カレンダーの招待の説明、メモアプリ、OneNote、Teamsのチャット、またはその他のMicrosoftのテキスト入力にディクテーションできます。特別な統合はありません。すべてのOutlookフィールドが裏側ではWindowsのテキスト入力であるため、そのまま機能します。
複数の言語にまたがって作業する人々にとって、メールのディクテーションは興味深いものになります。ベルリンのリクルーターが、ドイツ語でドイツの採用担当者に返信し、次に英語で英語を話す候補者に返信し、次に日本語で日本の応募者に返信することを、同じ午前中に行うかもしれません。Microsoft Dictateでは、毎回ディクテーション言語を手動で切り替える必要があります。Whisperの自動検出があれば、ただ動作します。
Whisperの精度がネイティブ英語とほぼ同等である強力な言語：ドイツ語、スペイン語、フランス語、イタリア語、ポルトガル語、オランダ語、ポーランド語、日本語、北京語、韓国語、ロシア語、アラビア語、トルコ語、ヒンディー語、スウェーデン語、デンマーク語、ノルウェー語、フィンランド語。多言語ページに完全なリストがあります。あまり一般的でない言語でも機能しますが、精度のばらつきは大きくなります。
国際的なリードに書く営業チーム向けに、営業担当者向けの音声テキスト変換ガイドには多言語の送信に関する詳細があります。国境を越えた採用を行う人事チーム向けに、人事マネージャー向けの音声テキスト変換ページでは候補者とのコミュニケーションワークフローを紹介しています。
メールの内容は機密性が高いことがよくあります。顧客とのコミュニケーション、人事の事項、法的な助言、財務の詳細、個人データを含むカスタマーサポートのチケットなどです。StarWhisperのデフォルトのローカルモードでは、話した音声がデバイスから離れることはありません。文字起こしはCPUまたはGPUでローカルに実行され、テキストがOutlookに着地してパイプラインは終了です。取引や人事問題について話しているあなたの録音を保持する第三者サービスはありません。
音声を文字起こしAPIに送信するクラウドディクテーションサービスと比較してみてください。Microsoft Dictateでさえ、一部の構成では処理のために音声をMicrosoftのクラウドに送信します。HIPAA、依頼者・弁護士間の秘密保持のルール、GDPRの懸念、または社内のデータ常駐ポリシーの対象となる組織にとって、ローカルのみのディクテーションは監査で擁護するのがはるかに容易です。HIPAA FAQでは、具体的なアーキテクチャと、保護対象保健情報にとってそれが何を意味するかを説明しています。
ローカルモードの背後にあるオーディオパスとアーキテクチャの選択に関する詳細については、ローカル対クラウドWhisperのFAQを参照してください。
平均的なタイピング速度は1分間に約40語です。平均的な快適に話す速度は1分間に130〜150語です。実際には、何を言うかを考えたり、エラーの修正に時間を費やしたりする必要があるため、ディクテーションによって3〜4倍の向上が得られるわけではありませんが、長文のメールでは現実的に1.5〜2.5倍のスピードアップが一般的です。節約が本当に実感されるのは疲労です。1時間のディクテーションは、特に手首や肩の負担を管理している人にとって、1時間のタイピングよりもはるかに肉体的な疲れが少ないです。
大量のメールに返信するナレッジワーカーにとって、ディクテーションによって1日あたり30〜60分の節約はすぐに積み重なります。外出先（ノートPC、車内、電車内）からリードに返信する営業担当者にとって、生産性の向上はさらに明確です。RSIの理学療法を受けている人にとって、ディクテーションへの切り替えは標準的な回復プロトコルの一部であることがよくあります。詳細については手根管症候群向けの音声テキスト変換ガイドを参照してください。