Mispher：ディクテーション、リライト、翻訳、エージェントを1台に統合

Mispherは、Macユーザー向けに設計された多機能デバイスで、ディクテーション、リライト、翻訳、AIエージェントを統合しています。すべての処理はユーザーのMac上でローカルに実行され、クラウドサービスやアカウントを一切必要としないため、プライバシーとデータの安全性が確保されています。現在、無料で提供されており、MITライセンスの下でオープンソース化されています。

Mispherのコア機能には、文字起こし、リアルタイムリライト、翻訳、AIエージェントが含まれます。ユーザーは左のOptionキーを押しながらダイヤルを回して、さまざまな操作モードを選択できます。文字起こし機能は、音声を正確にテキストに変換し、現在フォーカスされている入力フィールドに直接挿入します。リライト機能では、任意のアプリケーション内の文章を選択し、音声で指示を出して書き換えることができます。翻訳機能では、ある言語で話し、別の言語の翻訳を挿入できます。AIエージェントはローカルのLFM2.5モデルで、タスクを計画し、Apple Notes、クリップボード、ファイルなどのツールを呼び出すことができます。また、HTTPやstdioを介してカスタムMCPサーバーに接続し、必要に応じてOAuth認証もサポートします。すべての書き込み操作は、ツールごとに設定された承認カードによって保護されています。

音声認識には5つの異なるエンジンが採用されており、ユーザーは言語に応じて最適なエンジンを選択できます。Parakeet EOUはリアルタイムの英語ストリーミング用、Nemotronは約40言語のストリーミング認識、Parakeet TDTは25のヨーロッパ言語、Parakeet CTCとQwen3-ASRは中国語（北京語）を処理します。これらのうち4つはNeural Engine上で動作し、Qwen3-ASRはローカルのllama-serverを介して実行されます。プランナーとビジョンモデルはMLXフレームワークを使用しています。

Mispherのカスタマイズ性は非常に高いです。ダイヤルの各機能を再マッピングしたり、モードごとに個別のショートカットを設定したり、録音方法をプッシュトーク、タップオンタップオフ、ロングプレスハンズフリーから選択できます。独自の辞書を追加して、名前や専門用語を正しく認識させることも可能です。テキストの確定方法は、キーを離したときに自動コミットするか、一時保存するかを選べます。インターフェース表示は4種類から選択可能：ノッチから動的アイランド、ノッチ下のピル型、ドラッグ可能なパネル、フルウィンドウ。

AIエージェントの権限はユーザーが完全に制御できます。各ツールとMCPサーバーには3つのポリシーを設定可能：承認（自動実行）、確認（承認カードで待機）、拒否（モデルはツールを認識するが実行しない）。ツールを完全に無効にすることもできます。さらに、任意のモードの背後にあるモデルを交換したり、エージェントのビジョンをオン/オフにすることができます。

将来のアップデートでは、Gemma 4 E4B、Qwen3.6 27B/35B、そしてOrnith 1.0のサポートが予定されています。特にOrnith 1.0は9Bパラメータのモデルで、プランナーとビジョンサブエージェントの両方を駆動するため、スクリーン認識型のAsk機能で2つ目のモデルをダウンロードする必要がなくなります。

Mispherのインストールは簡単で、ターミナルでbrew install --cask dsaad68/tap/mispherを実行するだけです。Apple SiliconチップとmacOS 26以降が必要です。