フットペダルデバイスと最近の音声入力環境

AI Agentに指示を与えるために音声入力を使うことが増えてきたので、フットペダルを導入した。左手デバイスで有名なStream Deckシリーズのこのフットペダル。

著者 :

Elgato

発売日 :

ペダルを踏んでいる間は音声入力ソフトの入力モードになるように設定して、AI Agentのプロンプトだけではなく、任意のエディタに対して音声入力できるようにした。とは言え、文章作成には私はうまく使いこなせないが、Agentに渡すプロンプトなどは、多少誤字があってもほぼ問題ないのでうまくいっている。

音声入力ソフト Handy

音声入力には、HandyというOSSを使っている。これはダウンロードしたSpeech to Textモデルを使うので、ローカル完結できて無料で使える。とても便利なので作者をスポンサーした。

設定画面はこんな感じ。Option + Space でバックグラウンドで音声入力を受け付けてくれるようになるので、それをフットペダルに割り当てている。言語は自動検知してくれるモデルを利用していて、日本語も英語もいける。

モデルはNVIDIAのNemotron Streaming 3.5を使っている。精度はかなり良い。他のモデルも設定画面から色々選べて、選んだものを簡単にダウンロードしてきてくれる。Whisperとかも選べる。

AI Agent自体が音声入力機能を備えることも増えてきたが、別ソフトウェアに分かれていると複数のエディタ環境にまたがって利用することができるし、アーキテクチャ的にも疎結合できれいだと思う。もちろん、密結合されていることでインテグレートされた体験を提供できたりもする場合もあるわけですが。

何にせよ、このフットペダルとHandyを組み合わせた構成はおすすめです。