文字起こしアプリを自分で作ってみた話

字幕の見え方は、人によって欲しい形がかなり違うと思います。文字は大きいほうがいい人もいれば、白地に黒の文字が読みやすい人もいる。画面の下じゃなくて横に出てほしい人もいるはずです。

でも今までは、アプリや配信サービスが用意した形に、こっちが合わせるしかありませんでした。

今回、パソコンから鳴る音を全部字幕にするMacのアプリと、目の前の会話を文字にする iPhone のアプリを作りました。前提、私はプログラムがあまり書けません。AI（Claude Code）に「こうしたい」と話しかけて、言われたとおりに許可を出したりボタンを押したりしていただけです。かかったのは、ほぼ1日。

先に書いておくと、私は聞こえる側の人間です。ですが、比較的視覚優位なので、情報は音よりも文字で受け取りたい派。なので、これは「聞こえない人のために作りました」という話ではありません。自分が欲しい形を言葉にできれば、それに合わせたアプリを自分で作れる。そういう時代になってきた、という話です。

きっかけ

YouTube のライブ配信で、画面の横に文字起こしが流れているのを見て、あれがいろんな場面で出たらいいのにと思っていました。そんなときに、Meta が格安の音声認識を出したと聞きました。「Muse Voice Transcribe」という名前で、1時間あたり30円くらいらしい。

最初は、YouTube の字幕が白い文字で見にくい、という愚痴から始まりました。ちなみにこれは YouTube の設定で変えられます。⚙️ から「字幕」→「オプション」に進むと、文字の色や背景の色、文字の大きさを選べる。私は知らなかったので、知らない人がいたらぜひ。

ただ私が欲しかったのは、YouTube だけじゃなく、パソコンから鳴る音の全部に字幕が出ることでした。そういう既製品は見つからなかったので、作ることにしました。

「こうしたい」と言うだけ

作っている間、私がしていたのは、使ってみて気になったところを言うことだけです。実際に言ったことを、ほぼそのまま載せます。

2行目がどんどん流れていく感じになっちゃってるんだけど、もうちょっと文節で区切って次の行になるようにしてほしい。

最初の字幕は、文字が横にどんどん流れていって読みにくかったので、そう言ったら、「。」で文が終わったら次の行に移って、長い文は「、」や言葉の切れ目で折り返すように直りました。

色をライトモードとナイトモードにして、反転させてほしい。右上にトグルボタンをつけて、それで切り替えられるようにしたい。

白地に黒の文字と、黒地に白の文字を、字幕の右上のボタンで切り替えられるようになりました。

1時間に30円もかかっちゃうの。もうちょっと削減できたりしないのかな。

聞いてみたら、何も鳴っていないときもお金がかかる仕組みになっていました。今は、15秒ずっと無音なら止まって、音が鳴ったら自動で動き出します。

どれも、大きな会社のアプリだったら「要望として受け付けました」で終わりそうな、細かい好みの話です。それが、言ってから数分で自分の画面に反映される。ここが一番おもしろかったところです。

できあがったもの

Macのほうは、画面の下に細長い字幕の窓がずっと浮かんでいます。YouTube でもポッドキャストでもオンライン会議でも、パソコンから鳴った音は何でも文字になる。窓はほかのアプリより手前に出るので、全画面の動画の上にも出ます。場所も大きさも、自由に動かせる。

iPhoneのほうは、マイクで拾った声を文字にします。真ん中のボタンを押すと聞きはじめて、1文ずつ行になって流れていく。話している途中の文字は薄い色で出て、文が終わると濃くなります。文字の大きさは設定でかなり大きくできて、全文をコピーして残すこともできる。使っている間は画面が暗くならないようにしてもらいました。

つまずいたこと

全部すんなりいったわけではありません。

一番困ったのはMacの許可でした。アプリが「画面と音声の収録を許可してください」と言うのに、Mac は「システムオーディオの録音を許可しますか」としか聞いてこない。名前は似ているのに別物で、何度オンにしても動きませんでした。結局、AI がアプリに記録を残させて原因を見つけて、音だけを拾う方式に作り直してくれた。ひとりだったらここで諦めていたと思います。

iPhoneは、Apple の開発者登録（年99ドル）をしていないと、7日ごとに Mac につないで入れ直す必要があります。自分で使うだけなら、まあ許せる手間です。

正直なところ

いいことばかり書くのはよくないので、気になっている点も書いておきます。

音声認識は、たぶん間違えます。読み上げ音声で試したときは一字一句合っていましたが、実際の会話は早口だったり、周りがうるさかったりする。うるさいカフェとかでは比較的読み取れましたが、工事現場のようなかなりうるさいところで正しく出るかは、まだちゃんと確かめられていません。

ネットにつながっていないと動きません。お金も、音が鳴っている間は1時間30円くらいかかります。

それから、私は聞こえる側なので、聞こえない人や聞こえにくい人がこれを使ってどう感じるかは、わかりません。わからないからこそ、使う本人が「ここはこうしてほしい」と自分で直せることに意味があると思っています。私が作ったものをそのまま使ってほしいわけではなくて、それぞれが自分に合う形を作れる、というところを伝えたいです。