VocalCode：AIコーディングエージェント向けのオンデバイス型プッシュトゥトーク音声入力

VocalCode は、AIを使ったコーディングを支援するために設計されたプッシュトゥトーク（押しボタン式）音声入力ツールです。エディタ、ターミナル、チャット、コードレビュー画面など、デスクトップアプリのアクティブなテキストフィールドに直接文字を入力できるため、ウィンドウを切り替えたり、専用のディクテーションボックスからコピー＆ペーストしたりする必要がありません。ホットキーを押しながら話すだけで、そのままファイルに反映されます。

最大の特徴はプライバシーです。音声データはサーバーに一切アップロードされず、音声認識はすべてローカルCPU上で実行されます。モデルをダウンロードした後は、Wi-Fiをオフにしても認識が機能します。一方で、初回トライアルのセットアップ、ライセンス認証、定期的なライセンス更新、モデルのダウンロード、アップデート確認にはインターネットが必要です。ただし、これらの通信に音声や文字起こしデータは含まれません。直近の文字起こし履歴はセッション中にメモリ上に保持されるだけで、ディスクに書き込まれず、アップロードもされません。開発チームは、音声や転写を送信しないことを明言し、詳細なプライバシーポリシーを公開しています。

言語サポートは2系統です。北京語（普通話）は、専用のバイリンガル中国語・英語モデル（Paraformer）を使用します。さらに、25のヨーロッパ言語はParakeetモデルを共有し、話された言語を自動的に検出します。ただし、これらのヨーロッパ言語のラベルはプレビュー段階であり、言語ごとの製品テストが完了するまでは暫定扱いです。広東語、韓国語、日本語、タイ語、ベトナム語は現時点ではサポートされていません。

対応OSはWindowsとmacOS（Apple Silicon、macOS 11以降）です。Windows版のダウンロードサイズは9.5 MB、macOS版は10.9 MB。macOS版はApple Developer IDで署名され、Notarization（公証）も受けています。初回起動時にはマイク、アクセシビリティ、入力モニタリングの権限が求められます。アプリは各権限の用途を説明します。ショートカットのデフォルトは、Windowsではマウス前方ボタン、macOSでは右クリック、Optionキー、F13、マウス前方ボタンのいずれかです。これらはすべて同時に有効で、設定画面から自由に再割り当てできます。

制限事項もあります。Windowsでは、管理者権限で実行中のアプリに対してテキストを注入できません。パスワードなどの安全なフィールドや一部のアプリでは、合成入力を拒否する場合があります。macOSのテキスト挿入にはアクセシビリティと入力モニタリングの許可が必要です。また、応答速度はハードウェア、音声の長さ、言語、モデルによって変動し、公式に過度な低遅延を約束していません。

購入は税別4.99ドルの買い切りです。サブスクリプションやアカウントは不要で、最大3台のデバイスで使用できます。現在のメジャーバージョン内のアップデートは無料です。まず30日間の全機能トライアルをクレジットカードなしで試せます。トライアル開始後、署名付きレシートはオフラインで検証されます。有料ライセンスは30日ごとにオンラインで再検証されます。

VocalCodeは、コードや会話をネットワークに送信せずにボイス入力を実現したい開発者にとって、有力な選択肢の一つです。ローカル処理によるプライバシー保護と、シンプルな買い切り価格が評価ポイントと言えるでしょう。