2.12%。
これは Apple の最新 OS（iOS 26 / macOS 26）に組み込まれた音声認識エンジンの英語誤り率だ。現在オープンソース界で最も主流の方式である Whisper の約半分、Apple 自身の前世代製品の4倍の精度である。しかもすべて端末内で動作し、ネット接続不要、完全無料だ。
2026年7月13日、独立開発チームの Inscribe が一つのベンチマーク結果を公開した。Apple の新エンジンと3種類の異なる規模の Whisper モデルを同じ標準コーパス上で比較し、5559件のテストを実行した。その結果、技術コミュニティは大いにざわついた——Apple は勝っただけでなく、勝負にならないほどの差をつけたのだ。
一般ユーザーにとってこれは何を意味するか？ iPhone や Mac で音声をテキストに変換する際、もはやサードパーティ製アプリをダウンロードする必要がなくなる。OS 標準のキーボード音声入力やボイスメモの書き起こしは、有料のサードパーティ製ソリューションの多くをすでに上回る精度を持っている。
しかし、過去3年間「Whisper＋包装界面」で有料アプリを作ってきた小規模チームにとって、この知らせは青天の霹靂（せいてんのへきれき）以外の何物でもない。
Apple は何をしたのか？
今回の大規模 OS アップデートで、Apple は長年使われてきた音声認識の基盤エンジンをひっそりと置き換えた。旧エンジンは SFSpeechRecognizer、新エンジンは SpeechAnalyzer という。Apple はこれについて発表会も開かず、プレスリリースも出さず、どころか正確率の数字すら公表していない——新しい OS にアップデートしたすべてのデバイスに黙って現れ、いつかうっかりマイクボタンを押したときに初めて「あれ、前よりずっと正確になってない？」と気づくという具合だ。
Inscribe チームがこのベンチマークを行うことになったのも、Apple が何も語らなかったからだ。自社アプリを新エンジンに移行すべきか迷っている開発者は、皆が手探りで推測するしかなかった。
ベンチマークの結果は一目瞭然だ。
| エンジン | 明瞭音声の誤り率 | 騒音環境の誤り率 | モデルサイズ |
|---|---|---|---|
| Apple SpeechAnalyzer（新） | 2.12% | 4.56% | システム内蔵 |
| Whisper Small | 3.74% | 7.95% | 約460MB |
| Whisper Base | 5.42% | 12.51% | 約140MB |
| Whisper Tiny | 7.88% | 17.04% | 約40MB |
| Apple 旧エンジン SFSpeechRecognizer | 9.02% | 16.25% | システム内蔵 |
データ出所：Inscribe チームが M2 Pro Mac（macOS 26.5.1）で実測。LibriSpeech 標準英語コーパスを使用し、すべてオフラインで実行。誤り率は低いほど良好。
いくつかの数字の衝撃力は、どんな文章よりも直感的だ。新エンジンは旧エンジンより4倍精密で、460MB のモデルファイルを別途ダウンロードする必要のある Whisper の中規模版よりも約2倍優れている。しかも速い——同じ音声を処理するのに、Apple エンジンは Whisper の約3分の1の時間で済む。
なぜ無料が有料より優れているのか？
これは直感に反するように聞こえる。だが技術エコシステムの視点で見れば、プラットフォーム側が AI 機能を組み込むことには、サードパーティには決して真似できない構造的な優位性がある。
第一の優位性：ハードウェアとソフトウェアの一体化チューニング。 Apple の音声認識エンジンは、自社チップ内の「ニューラルエンジン」（Apple デバイスで AI 処理を専門に担うハードウェア部分）向けに専用設計されている。Whisper を使うサードパーティ開発者は汎用対応しかできず、Apple のようにモデルをチップの最下層まで書き込むことはできない。その結果として、精度が高いだけでなく、速度も電力効率も勝る。テストによれば、Apple エンジンで同じ音声を処理した際の消費電力は、Whisper モデルを読み込む方式よりも明らかに低く、スマートフォンのバッテリー持続時間にとって実質的な恩恵となる。
第二の優位性：プロモーションコストがゼロ。 サードパーティの音声書き起こしアプリが顧客を獲得するには、アプリストアで広告を出し、コンテンツマーケティングを展開し、競合と評価を争う必要がある。Apple はそうしたプロモーションを一切必要としない——音声認識はキーボードに、ボイスメモに組み込まれており、この機能の名前を知らなくてもそこに存在する。どの入力欄を開いても、マイクアイコンをタップするだけで使える。「到達コストがゼロ」というこの優位性は、いかなるサードパーティも及びもつかない。
第三の優位性：プライバシー。 大半のサードパーティアプリは音声データをクラウドサーバーに送って処理する必要がある。Apple の新エンジンは端末内で完結し、ネットに繋がず、データを送らない。弁護士、医師、記者、企業の経営者といったプライバシーに極めて敏感なユーザーにとって、この違いはどちらを選ぶかを決定づけるほどだ。
繰り返される歴史
Apple の歴史に少しでも通じていれば、「機能を組み込んで一群のアプリを消し去る」というシナリオが何度も演じられてきたことが分かる。
2013年、iOS 7 はコントロールセンターに懐中電灯ボタンを追加した。一夜にして、当時 App Store で最も売れていたツール系アプリ——懐中電灯——はほぼ全滅した。それ以前、懐中電灯アプリは常にランキング上位を占めていた。
2015年、Apple はメモアプリにスキャン機能を加え、一連の文書スキャンアプリは成長を失った。
2024年、Apple はボイスメモに自動書き起こしを直接追加した。それ以前、「ボイスメモをサードパーティアプリに書き出して書き起こす」ことは、多くの有料アプリのコアな利用シナリオだった。
技術界にはこの振る舞いを指す専門用語があり、「Sherlocking」と呼ばれる——2002年に Apple の検索ツール Sherlock がサードパーティアプリ Watson の機能をそのまま取り込み、後者を撤退に追い込んだことに由来する。20年以上が経過してもこの名前は変わらず、ただ「Sherlock」されるアプリが入れ替わり続けているだけだ。
ある Hacker News ユーザーのコメントが多くの賛同を集めた。「Whisper を単にラップしただけの有料アプリ諸君、安らかに眠れ。Apple は間違いなくネイティブの録音・書き起こしツールを作り、これらのラッパーを完全に無意味にするだろう。」
だが、これは「全滅」の物語ではない
「Sherlocking」という言葉は宿命めいて聞こえるが、音声認識を手がけるすべてのサードパーティが店を閉じるわけではない。
鍵となるのは、一つのアプリがそもそも何を売っているかだ。中核の価値が「ボタンを押す→文字が出る」だけなら、確かに危ない——OS 標準機能はすでにそれより良く、速く、無料で、しかもプライバシーを守っている。
しかし、一部のアプリが提供するのは「書き起こし」そのものを大きく超えている：
- 多言語の書き起こし。 Apple は現在英語と約30言語を主に最適化しているが、Whisper は100以上の言語をサポートする。ウルドゥー語の書き起こしが必要か？ それともチベット語の認識か？ Apple は現時点でカバーしていない。
- 自動整理。 1時間の会議録音を、見出しやアクションアイテム、参加者注釈付きの構造化された議事録に自動変換する——そこまで来れば、「音声→テキスト」から「音声→知識」への昇華である。
- クロスプラットフォーム。 Windows や Android 上で音声書き起こしを行う場合、Apple の方式はまったく使えない。
- 垂直（バーティカル）なシナリオ。 医学用語、法律用語、特定業界の専門用語——こうしたカスタマイズが必要な場面は、汎用モデルでは対応できない。
Inscribe 自身が最良の例だ。音声書き起こし製品を手がける企業として、彼らはこのベンチマーク結果から避けるどころか、自社製品内で直接調整を行った：Apple エンジンが対応する言語では優先的に Apple エンジンを使い、対応していない言語では引き続き Whisper を使う。彼らの姿勢は明確だ——サードパーティアプリの価値は、「どのような場面で、どのような方法で、どのような書き起こし体験を提供するか」にあり、書き起こしそのものができるかどうかではない。
この出来事の真の意味
筆者は、今回の SpeechAnalyzer の登場は本質的に、より大きなトレンドの象徴だと考えている：AI 能力は「あなたが能動的に探しに行くもの」から「OS に標準搭載されるもの」へと変わりつつある。
Windows には Copilot があり、Android には Gemini があり、Apple には自らの知能体系がある。各 OS ベンダーは AI 能力——テキスト要約、画像生成、音声認識——をシステムの最下層に組み込んでいる。ユーザーにとっては、どのアプリが使いやすいか、どの料金設定が妥当か、どれがデータを盗むかを比較する必要がない。デバイスを開けば使え、ネットを切っても使え、OS をアップデートするだけで自然に良くなる。
開発者にとって、これはこれ以上ないほど明確なシグナルを送っている：あなたの製品が単なる技術モデルの「スキン」や「包装箱」に過ぎないなら、いつでもプラットフォーム側の一行のコードで置き換えられ得る。真の障壁は「特定の場面や特定のユーザーへの理解がどれほど深いか」であり、「どの AI モデルを呼び出せるか」ではない。
アプリエコシステムにとって、これはもしかすると別の形の進化かもしれない：プラットフォーム側はインフラ級の AI 能力（OS に標準搭載の電卓のようなもの）を提供し、サードパーティはその上でより複雑で、より垂直で、よりパーソナライズされた革新を行う。単なる「包装」しかできないアプリが淘汰されることは、かえって本当に価値ある革新のための余地を生み出す。
参考リンク
- Inscribe ブログ：Apple Speech API Benchmark against Whisper ——独立チームによる Apple 新音声認識エンジンと Whisper の初の完全ベンチマーク。5559件の標準コーパスによるテストデータと全生書き起こし結果を含み、無料でダウンロード検証可能
- Hacker News 討論スレッド（402ポイント、170コメント）——今回のベンチマークに対するグローバル開発者コミュニティの深い議論。モデル選択、多言語対応、アプリエコシステムへの影響などの角度を網羅
- Argmax 公式ブログ：Apple SpeechAnalyzer and Argmax WhisperKit ——別の音声認識ツールベンダーによる Apple 新 API のベンチマークと機能比較
- Voibe リソースサイト：Apple Dictation vs OpenAI Whisper ——Apple 内蔵ディクテーション機能と Whisper の、オンデバイスおよびオープンソースの次元での包括的比較