オープンソース、無料枠対応の音声テキスト変換ツール Voicebox（Cloudflare AI 利用）

Voicebox は、Cloudflare の AI サービスを活用した新しいオープンソースの音声テキスト変換ツールです。ユーザーはホットキー（デフォルト Ctrl+Cmd）を押しながらマイクに話しかけ、離すと音声が WebSocket 経由で Cloudflare Worker にリアルタイム送信され、Whisper で文字起こし、LLM で整形されたテキストがクリップボードにコピーされ、現在のアプリケーションに自動貼り付けされます。

プロジェクトのアーキテクチャはシンプルで、デスクトップクライアントとクラウド Worker の 2 つで構成されています。デスクトップクライアントは Wails フレームワーク（Go バックエンド + React フロントエンド）で開発され、現在は macOS のみをサポートし、自動貼り付けにはアクセシビリティ権限が必要です。クラウド Worker は Cloudflare Workers 上で動作し、Durable Objects でセッションを管理、音声認識に @cf/openai/whisper-large-v3-turbo、整形に @cf/qwen/qwen3-30b-a3b-fp8 を使用しています。

処理の流れは以下の通りです：クライアントが PCM オーディオを WebSocket で Worker にストリーム送信し、Worker が音声を蓄積して AI モデルを呼び出し、結果を返します。プロジェクトでは第 2 フェーズとして、faster-whisper と Ollama を使用したローカルバックエンドも計画されており、オフラインやプライバシー重視のシナリオに対応する予定です。

設定は TOML ファイルまたは内蔵設定画面から行え、Worker の URL、トークン、音声パラメータ、ホットキーなどをカスタマイズできます。デプロイには Cloudflare アカウントが必要で、macOS ではアクセシビリティ権限の付与が求められます。

Voicebox はまだ初期段階ですが、シンプルな設計とオープンソースであることから、音声入力のユースケースに適しています。開発者は自由にフォークして改良したり、機能追加に貢献したりできます。現在 GitHub で 3 つのスターを獲得しており、まだ正式リリースはありませんが、基本的な機能は既に動作します。