音声入力

3 つの操作

Ctrl+Win をしばらく押したまま話し、離すと終了します。2 回タップするとハンズフリーで話せて、もう一度タップすると止まります。話している間 Shift を押していると、文章ではなく構造化されたプロンプトになります。Esc で録音を破棄します。マイクは押した瞬間に開くので、最初の一音も逃しません。

• Station 内では、キャレットのあるフィールドまたはターミナルにテキストが入ります
• それ以外のアプリでは、クリップボード経由で貼り付けます
• 浮かぶピルが状態（音声入力、文字起こし中…、整形中…、貼り付け完了）をライブ波形つきで示します

音声からテキストへ、3 つの方法

ローカルは CPU 上で whisper.cpp を動かし、初回利用時にダウンロードします。8 MB のエンジンと 181 MB のモデルで、6.8 秒の音声を 0.9 秒で文字起こしします。難しい音声には 547 MB の大型モデルもあります。アカウントもキーもネットワークも不要です。ホスト型は OpenAI 互換 API を使います。Groq の whisper-large-v3-turbo、OpenAI の gpt-4o-transcribe、または指定した任意のベース URL とモデルです。

あなたの言葉を書き換えない整形

2 段階目では、リストではなく働きでフィラー（「えーと」「あの」「like」「you know」など）を取り除き、言い直し（「あ、違う、typecheck を」）は残し、句読点を補い、認識が誤った技術用語を文脈から直します。要約も翻訳も回答もしません。話した内容は常にテキストとして扱われ、指示として扱われることはありません。プロバイダーのキーがない場合は、代わりに高速なルールベースの整形が動きます。

• 認識と整形の両方をプロジェクト固有の語に誘導する語彙リスト
• 置換：「X と聞こえたら Y と書く」
• 無音や、Whisper が作りがちな字幕クレジットの幻覚に対するガード

設計からプライベート

音声がディスクに書き込まれることはありません。履歴に残るのはテキストと話す速度で、スイッチ 1 つでオフにできます。キーリスナーは、Windows に最初から入っている C# コンパイラであなたのマシン上でコンパイルされる 9 KB のヘルパーです。設定したキーだけを 10 ms ごとに確認し、メモリ使用量は 12 MB です。