平均的なタイピング：40 WPM。高速なタイピスト：80 WPM。平均的な音声：150 WPM。音声入力は世界記録保持者のスプリンターを除くすべてのタイピストに勝り、Whisperはリアルタイムで文字起こしを行います。このページでは、計算、編集時間のトレードオフ、そして音声入力が劣る部分を解説します。
「ディクテーションはタイピングより速いか？」は間違えた捉え方です。正しい捉え方は、「どのような種類の文章を、どれくらい編集した後で使うか」です。
ディクテーションツールの宣伝文句にはよく「考えるスピードで話す」とあります。これは音声入力が普遍的に速いことを意味しますが、そうではありません。最初のドラフトの生成では速いですが、編集や正確な句読点の入力、コードの記述では遅いか同等です。タイピングを置き換えることを期待して音声入力を試す人は、1時間以内にがっかりすることがよくあります。
StarWhisperはプッシュトーク・ディクテーションアプリです。ホットキーを押している間は音声入力、離している間はキーボードが通常通り機能します。正しい捉え方は、「音声入力が勝る部分には音声入力を、タイピングが勝る部分にはタイピングを使う」ということです。全体的なスループットは、どちらか単独の場合よりはるかに高くなります。
決定する前に知っておくべき5つの具体的なWPMベンチマーク。
標準的なQWERTYキーボードでの大人のタイピング速度として最もよく引用される数値です。これは数十年にわたるタイピング速度の調査でも裏付けられています。エラーやバックスペースを含む長時間のセッションで持続すると、現実のアウトプットはさらにわずかに低くなることがよくあります。
キーボードを多用する職業（文字起こし作業者、法務秘書、QWERTYを使用する法廷速記者）のプロのタイピストは、持続的に65〜80 WPMに達します。これはおよそ平均的な発話速度の半分です。日常的な基準での「高速なタイピスト」でさえ、平均的な話し手より遅いのです。
Monkeytypeの世界記録は300 WPMを超えていますが、短い一般的な単語のテストでの1分間のバーストにすぎません。1,500語の文章でそのペースを維持できる人はいません。あなたの知っているほとんど誰も、世界記録のペースで書いていません。関連する比較は、あなた自身のタイピング速度に対するものです。
英会話の標準的な数値です。ニュースキャスターは、リスナーにとって聞き取りやすい範囲であるため、140〜160 WPMを目標にしています。大人の自発的な会話は120〜180の範囲にあります。現代の音声認識は、特別な設定なしでこの範囲全体を処理します。
一部のポッドキャストのホストやオーディオブックのナレーターは、快適に180〜200 WPMに達します。競売人は短いバーストでさらに高い速度を出します。明瞭さが低下し始める前の、ほとんどの人にとって快適な話し言葉の上限は200 WPM程度です。
StarWhisperのエンジンであるOpenAIのWhisperモデルは、標準的なハードウェアで1倍速を超える速度で音声を文字起こしします。ミドルレンジのNVIDIA GPUでは、文字起こしは実質的に瞬時に行われます。モデルがあなたの発話に追いつくのを待つ必要はありません。
数字は、複数のタイピング速度調査、2026年5月時点のMonkeytypeリーダーボード、および会話の発話速度に関する標準的な言語学的参考資料に照らして確認されています。
| カテゴリ | 1分間あたりの語数 | 持続的？ | 音声（平均150）との比較 |
|---|---|---|---|
| 大人の平均タイピング | 40 WPM | はい | 音声が3.75倍速い |
| プロのタイピスト | 65〜80 WPM | はい | 音声が2倍速い |
| 非常に高速なタイピスト | 100 WPM | ある程度 | 音声が1.5倍速い |
| Monkeytype世界記録 | 300 WPM以上 | いいえ（1分間のバースト） | タイピングが2倍速い（バースト時） |
| 平均的な会話の発話 | 150 WPM | はい | ベースライン |
| 高速な発話（ポッドキャスト、オーディオブック） | 180〜200 WPM | はい | ベースラインより1.3倍速い |
| 競売人のバースト | 250〜350 WPM | いいえ（短いバースト） | 2倍のバースト、持続不可 |
結論は単純です。音声入力は平均的なタイピングよりほぼ4倍速いです。音声入力は高速なプロのタイピストより2倍速いです。音声入力は非常に高速なタイピストと同等です。音声入力は世界記録のスプリントペースには負けますが、それは1分間のバーストに限った話であり、実際の執筆セッションでそれを維持できる人はいません。人間並みの速度でタイピングする人々にとって、音声入力はより速いのです。
純粋なWPMがすべてではありません。音声ディクテーションは、発話している内容をその瞬間に見ることができないため、より乱雑な最初のドラフトを生成します。最初のパスには通常、より多くのつなぎ言葉、より多くの言い直し、より多くの言い換えられた部分が含まれます。したがって、正直な計算は「音声WPMマイナス編集時間」となります。
40 WPMでの純粋なタイピングで、考えながらの一時停止を含めると、きれいなドラフトにおよそ50〜60分かかります。150 WPMでの純粋なディクテーションでは、荒いドラフトにおよそ10〜12分かかります。その後の編集に8〜12分を加えます。ディクテーションワークフローの合計は約20〜25分です。クリーンアップを考慮しても、タイピングより2〜3倍速いです。
編集はドラフト作成とは異なる認知タスクです。編集の大部分は小さな的を絞った動きです。つなぎ言葉の削除、文の終わりの修正、2つの文の再構築などです。これらはキーボードでは高速です。ディクテーションで行おうとすると遅くなります。したがって、ディクテートしてから編集するワークフローは、各入力方法が最も強いところで使用します。音声入力は大量の素材を高速で生成し、キーボードは外科的な修正を行います。
スループットを「総時間あたりの完成した語数」として測定する場合、ディクテートしてから編集するワークフローは、ほとんどの散文において純粋なタイピングを快適に上回ります。具体的には、基になるディクテーションは150で行われ、編集によって平均が下がるものの、90〜120 WPMの範囲の正味スループットを期待できます。それでもタイピング単独より2倍〜3倍速いです。
音声入力は普遍的なアップグレードではありません。正確な句読点、高密度の特殊文字、または外科的な編集を必要とするタスクでは劣ります。カンマの正確な配置が条項の意味を変える法的契約書は、ディクテーションではなくタイピングされます。カッコ、コロン、snake_caseの識別子、インデントを含むコードは、声に出してスペルアウトするよりもタイプする方が早いです。変更が小さく的を絞っているため、既存の文章の編集は音声よりもキーボードの方が速いです。多くの書式設定を含むスプレッドシートや構造化されたドキュメントは、音声コマンドよりもキーボードショートカットの方が速いです。また、共有オフィス、図書館、公共交通機関、夜遅くなど、話すことができない環境では音声入力は不可能です。これらのケースはディクテーションが悪いという意味ではなく、その特定の仕事にはディクテーションが間違ったツールであることを意味します。StarWhisperのようなプッシュトーク・ディクテーションツールは、タイピングに取って代わるのではなく、共存するように設計されています。
ほとんどのライターは毎日これらのタスクを混ぜて行います。タスクごとに適切なツールは異なります。
| タスク | 最適な入力 | 速度の優位性 |
|---|---|---|
| ブログ記事やコラムの最初のドラフト | 音声 | 3倍〜4倍速い |
| メールやSlack/Teamsの返信 | 音声 | 3倍〜5倍速い |
| 長編小説の最初のドラフト | 音声 | 2倍〜3倍速い |
| マーケティングコピーのドラフト | 音声 | 3倍〜4倍速い |
| メモ取りとジャーナリング | 音声 | 3倍〜4倍速い |
| 既存の散文の編集 | キーボード | 2倍速い（タイピング） |
| コードの記述 | キーボード | 2倍〜3倍速い（タイピング） |
| 法的契約書、引用 | キーボード | 精度が必要 |
| スプレッドシートと構造化データ | キーボード | ショートカットが勝る |
以前のディクテーションツールは、キーボードの一部が機能しなくなり、元に戻すために音声コマンドを発行しなければならない「ディクテーションモード」に強制的に入れました。これが摩擦を生み出していました。StarWhisperを含む現代のプッシュトーク・ディクテーションは、モードの切り替えを完全に排除します。
ホットキーを割り当てます。多くの場合、マウスのサイドボタン、再マッピングされたCaps Lock、またはファンクションキーです。ホットキーを押している間、アプリは録音して文字起こしをします。離すと、キーボードは以前と全く同じように機能します。入るべきモードも、出るべきモードもありません。文章をディクテートし、離して、指で修正をタイプし、再度ホットキーを押して、次の文章をディクテートすることができます。切り替えは気にならないレベルです。
これが重要なのは、ほとんどのライターにとっての正しいワークフローが「大量のテキスト生成には音声入力、それ以外はすべてタイピング」だからです。2つの切り替えに少しでも摩擦があれば、音声入力が勝る部分での使用をやめてしまいます。プッシュトークは摩擦をゼロにします。また、より速く書く方法で、ディクテートしてから編集する方法のより深い内容を読むことができます。
すべてのエラーが編集時間を消費するため、精度が悪ければWPMは無意味です。良いニュースは、現代の音声認識が、クリーンな英語音声においてタイピングとの精度のギャップを埋めたことです。
StarWhisperのエンジンであるOpenAI Whisperは、約680,000時間の多言語音声でトレーニングされました。明瞭な英語音声での単語精度は95〜98％の範囲でベンチマークされており、これは慎重なタイピストの実際のエラー率と同等かそれより優れています（タイピングの研究では、修正前の一般的なエラー率は2〜5％としています）。アクセントのある英語、非ネイティブスピーカー、およびコードスイッチングされた音声の精度は、Dragon Professional Individualの古いHMMベースのエンジンよりも著しく優れています。
実際の観点から言えば、これはディクテートされた1,500語の記事には編集前に約30〜75のエラーがあり、そのほとんどは軽微（聞き間違えた単語、句読点の不具合）であることを意味します。タイピングされた1,500語の記事にも、修正前にほぼ同じ数のエラーがあります。音声入力は意味のある精度のペナルティを導入せず、エラーの分布が異なるだけです。完全なベンチマークの数値とモデルのトレードオフについては、プロフェッショナルな精度の機能ページを参照してください。
「音声タイピングとタイピング速度」や「ディクテーションはタイピングより速いか」を検索した場合、おそらく次のいずれかの決定を下そうとしているでしょう。
これらすべてのケースにおいて、実験は無料で、セットアップに5分かかり、1セッション以内に音声が自分の脳に合うかどうかがわかります。ダウンサイドは小さく、アップサイドは大きいです。
音声タイピングは、生のWPMで平均的なタイピングをほぼ4倍上回り、編集時間を差し引いても2倍〜3倍で勝ちます。世界記録のタイピングスプリットには負けますが、実際の仕事で誰も維持できない短いバーストに限られます。タスクごとに見ると、音声入力は大量の散文生成、メール、メモ、クリエイティブなドラフトで勝ちます。タイピングは編集、コード、書式設定の多いドキュメント、精密なコンテンツで勝ちます。最良のワークフローは両方を使用し、プッシュトーク・ディクテーションが切り替えを摩擦のないものにします。
StarWhisperはWindows 10および11でローカルに実行され、個人利用は無料、無制限のProは月額10ドルで、96の言語をサポートしています。ユーザーごとの音声トレーニングのステップはなく、ホットキーを選ぶ以外のセットアップはありません。音声入力が自分のワークフローに合うかどうかを見つけようとしているなら、テストのコストは5分と0ドルです。