既存の音声入力にAI会話を追加｜Macアプリ「VoiceCraft AI」の継続開発

今回追加したAI会話 ／ 外観・アイコンの変化 ／ 最新版の機能一覧

使い続けてきた音声入力アプリに、AIと話す機能を追加

「VoiceCraft AI」は、作者自身が日々の入力や音声コンテンツ制作で使いながら育てているMacアプリです。録音した言葉を文字にし、ほかのアプリへ入力する仕組みを土台に、文字起こし、文章補正、読み上げ、素材制作、履歴管理へと機能を広げてきました。

今回の継続開発では、音声または文字でAIと会話できる機能を追加。声で考えを下書きする作業に加え、AIへ質問し、返答を音声と文章で確認できるようにしました。会話ごとに選ぶMac内録音と、終了後のMP3・M4A保存にも対応しています。

1. これまでの土台：音声入力、録音中の文字表示、ショートカット、ほかのアプリへの入力、認識方式の選択。
2. 継続してきた改善：作業別の画面整理、銀色・ガラス調のデザインとアイコンの更新、読み上げや制作・復旧機能の拡充。
3. 今回の追加：AIとの音声・文字による会話、会話用の声と指示、接続・終了の案内、任意の録音と音声保存。

企画、操作の設計、画面づくり、SwiftUIによる実装、音声処理、AIサービス連携、データ管理まで、一貫して取り組んだ自主開発の事例です。

今回追加したAI会話――話す・読む・残すを自分で選ぶ

声でも文字でも、返答は音声と文章で確認

ElevenLabs（音声AIサービス）の会話モデルを利用し、「音声で話す」「文字で話す」を選べます。音声入力ではマイクから話しかけ、文字入力では文章を送信。どちらもAIの返答を音声で再生し、会話の文章を画面に表示します。文字入力ではマイクを使いません。

会話用の声と指示は、原稿を読むための「読み上げ」と分けて設定します。返答中の割り込みに対応し、公式の音声通信の仕組みでエコー除去・雑音抑制を扱います。会話は、文字起こし結果を入力欄へ自動貼り付けする機能とは別に操作できます。

接続状態・料金の目安・終了条件を見える場所へ

開始前に入力方式やモデルを確認し、接続できたときと切断が完了したときは別の合図音で案内します。接続状態と経過時間を表示し、最大時間と入力のない待機時間による自動終了を用意しました。通信が切れた後に、アプリが勝手に再接続することはありません。

会話モデルごとの参考料金と利用状況を確認できます。待機中も接続時間に含まれること、文章処理分などは別途かかることを示し、画面の目安を実際の請求額と混同しないようにしています。

録音は初期OFF。必要な音声会話だけ、Macへ保存

「今回の音声会話をこのMacに録音する」を選んで開始した場合に限り、自分とAIの音声をMac内で一つにまとめます。終了後はMP3・M4Aで保存でき、保存待ちの録音を削除する操作も用意しています。文字で話す方式の入力文を音声化して録音する機能ではありません。

会話本文はアプリのファイルへ保存せず、録音OFFなら会話音声のファイルも作りません。Mac内の表示・録音、書き出した音声、ElevenLabs側の会話記録は範囲を分けて扱い、提供元の履歴を開く導線と、取得済みの会話IDを対象にした削除操作を用意しました。提供元の保持設定や削除を「すべての場所から絶対に消える」という保証にはしていません。

青いマイクから、銀色と緑の波形へ

機能の追加と並行して、アプリの外観も改善してきました。旧版の青いマイクのアイコンから、銀色の面と緑の波形を使った現行アイコンへ変更。画面はSilver Glass（銀色・ガラス調）の操作部品と落ち着いた配色にそろえ、録音・文字起こし・読み上げなど、作業の目的から選べる構成にしています。

以前のアイコン	現在のアイコン

比較には、保存された旧版アプリと現行アプリに含まれる実際のアイコンを使用しています。外観とアイコンの更新は以前からの改善です。今回追加したAI会話も、現在のデザインと操作の流れに合わせて組み込んでいます。

最新版の機能一覧――入力から制作・保存まで

2026年10月22日時点の導入版（1.1.0／build 2026102108）に基づき、AI会話を含む機能を用途別に整理します。各AIの利用には、対応環境やモデルの準備、利用する提供元のAPI設定などの条件があります。

1. AIと音声・文字で会話する

• 音声入力・文字入力の切り替えと、AIの音声返答・会話テキスト表示。
• 利用可能な会話モデル、会話用の声、会話の指示を選択・設定。
• 返答中の割り込み、エコー除去・雑音抑制、接続・終了の合図。
• 経過時間・参考料金・利用状況、最大時間・待機時間による自動終了。
• 会話ごとに選ぶ音声録音、会話後のMP3・M4A保存、保存待ち録音の削除。
• Mac内と提供元の削除範囲の案内、ElevenLabsの会話履歴への導線。

2. 作業中のアプリへ、声で文章を入力する

• 録音ボタン、任意のショートカット、左右のControlキーの2回押し・長押しによる開始・停止。
• マイク選択、入力レベル、録音中・認識中などの状態表示。
• 無音の継続・録音時間の上限による停止、操作音の設定。
• 対応する入力欄への自動貼り付けと、貼り付け前のクリップボードを戻す処理。
• 処理結果と入力・通信の状況を見直す画面。

3. 録音と音声ファイルを文字にする

• クラウドのOpenAI・Soniox・ElevenLabsによる音声認識。
• 必要なモデルを準備して使う、WhisperKitによる端末内音声認識。
• 日本語・英語・言語の自動判定、認識ヒントや固有名詞の指定。
• 対応する認識方式での録音後入力と、話している途中から文字を表示・入力する方式。
• WAV・M4A・MP3・CAF・AIFF・FLACの取り込み、ドラッグ＆ドロップ、履歴への保存。
• 音声ファイル専用の経路・モデル指定と、録音時の設定に追従する選択。

クラウド認識では、選んだ提供元へ音声を送信します。端末内認識はモデル取得やMacの構成に条件があり、すべてのMacで同じ速度や品質を保証するものではありません。

4. 原文を確認しながら、文章を整える

• 「えーと」「あのー」などのつなぎ言葉の削除をオン・オフで選択。
• 文脈、優先して認識したい言葉、固定の置換辞書、保存した手動補正を手がかりにした補正。
• 原文を重視する「忠実さ優先」と、追加のAI補正を使わない設定。
• 対応MacのApple端末内AI、またはOpenAIによる第2段AI補正。
• 認識・補正の指示、辞書、保存済みプリセットの保存と復元。

Apple端末内AIは、対応するOS・Macと利用可能な状態が必要です。認識した文章、補正後の文章、手動で直した文章は履歴で比較でき、意味が正しく保たれているかを利用者が確認できます。

5. 声を選び、長い原稿を読み上げ音声にする

• OpenAI・ElevenLabsによる読み上げと、モデル・声の選択。
• 公開ライブラリや自分のアカウントで利用可能な声の検索、音声IDによる指定、既存サンプルの試聴。
• お気に入り・見送り・試聴状態の整理と、標準の声・今回だけ使う声の区別。
• 外部サービス側で作成した声や複製した声も、そのアカウントで利用可能な範囲で選択。
• 長文の自動分割、途中保存・再開、一本の音声への結合。
• 再生・停止、生成履歴の検索、MP3・M4A・本文の保存、声の再利用。

6. 文章・表紙画像・短い動画を制作する

• 完成した読み上げ音声と本文を、コンテンツ制作へ引き継ぎ。
• 本文や指示から、タイトル候補・短い紹介文・詳しい紹介文を生成し、編集・版管理。
• 背景画像の生成・手持ち画像の利用と、正方形・横長・縦長・電子書籍表紙向けの画像作成。
• タイトル・副題・制作者名をMac内で描画し、文字やサイズの変更は背景を再生成せず反映。
• 動画用の指示から短い動画を別途生成し、完成したMP4を制作ごとに保存。
• 制作データの自動保存、中断後の生成状況の確認、音声・本文・紹介文・画像・取得済み動画などのZIP保存。

文章・画像・動画では利用するAPIとモデルを分け、生成前に送信先を確認できるようにしています。画像・動画生成のために、元の読み上げ音声をそのまま送る構成ではありません。短い動画素材の生成と、音声を組み合わせた完成動画への編集は別の作業です。

7. 履歴を探し、失敗した録音から作業を戻す

• 文字起こし履歴の検索と、再取り込み待ち・手動補正ありなどの絞り込み。
• 認識結果・補正結果・手動補正の確認とコピー、手動補正の保存。
• 異常・失敗時に保管できた元録音の再生と、元の履歴からの再取り込み。
• 処理段階、時間、通信の状態など、原因調査に使う情報の表示。
• 本文・音声・APIキーを含めない診断情報のコピー。

過去に保存されなかった音声を復元する機能ではありません。再認識は利用者が選んで操作し、有料処理を勝手に繰り返さない設計です。

8. データを整理し、設定を暗号化して別のMacへ移す

• 文字起こし・読み上げ・コンテンツ制作それぞれのデータ管理。
• 削除前の対象件数・容量・範囲の確認。取り込み元のファイルや外部へ書き出したファイルを区別。
• APIキーをmacOSのキーチェーンで保管。
• 設定、保存済みAPIキー、声、補正辞書・指示・プリセット、開始方法・外観を、パスワードで暗号化した設定バックアップへ保存。
• 設定バックアップの取り込みによる、別のMacへの設定移行。

この設定バックアップには、録音履歴・音声・制作データ・AIモデル本体は含めません。マイクやアクセシビリティの許可も、移行先のMacで別途必要です。

9. 日々の作業に合わせて、画面と操作を調整する

• 録音・文字起こし・音声ファイル・AI補正・読み上げ・AI会話・コンテンツ制作・履歴・設定のナビゲーション。
• 普段の操作と詳しい設定をタブで整理し、画面を切り替えながら処理を継続。
• ダーク・ライト・Macに合わせる外観、メニューバーからの操作、ログイン時の自動起動。
• マイクと入力補助の権限確認、開始方法・貼り付け方法、APIの認証・利用状況の確認。

機能を増やしても、次の操作を判断できる設計に

複数のAIを扱うと、「どこへ送るのか」「何が保存されたのか」「もう一度押すと追加料金がかかるのか」が見えにくくなります。そこで、送信先とモデル、処理中・完了・失敗・再開、アプリ内と提供元の保管範囲を区別して表示しています。

素材生成の結果が通信中断などで分からなくなった場合は、受け付け済みの記録から状況を確認し、同じ生成を無条件に再送しない仕組みを用意しました。途中の下書きや失敗した録音から戻れることも、日常の道具として使うための設計に含めています。

開発技術と、掲載内容の範囲

Swift・SwiftUI（Appleの開発言語・画面構築の仕組み）を中心に、AVFoundationによる録音・再生、WhisperKitによる音声認識、対応環境でのFoundation Modelsによる端末内AI補正を実装。AI会話にはElevenLabs公式のSwift開発キットとLiveKitのリアルタイム音声通信を利用しています。APIキーはキーチェーン、設定バックアップの暗号化はCryptoKitを使っています。

掲載した8枚の画面画像は、2026年10月22日に、導入済みのVoiceCraft AI 1.1.0（build 2026102108）を通常操作して撮影した実画面です。個人の履歴・登録名・利用残量などを含めないため、画面の一部を抜き出しています。会話・生成を開始する前の画面を含み、画面を描き直した画像ではありません。旧・現行アイコンは、各アプリに含まれる実際の画像です。

作者自身のために開発し、継続して改善しているアプリです。掲載時点の実装を紹介するもので、顧客への納品実績や一般販売の実績を示すものではありません。

基本の対応環境はmacOS 14以降ですが、端末内AIや音声認識モデルなどは、OS・Mac・モデルの準備状況によって利用条件が異なります。クラウド機能には通信と提供元のAPI利用料金が必要です。画面内のモデル名・料金・一覧件数は撮影時点の表示です。入力先によっては、自動貼り付けが使えない場合があります。

既存の道具を、使いながら育てる開発へ

音声入力という一つの用途から始め、実際の作業で必要になった会話、読み上げ、素材制作、復旧へと改善を重ねてきました。既存アプリへのAI機能追加、複数サービスの連携、日々の入力や制作を支えるMac向けツールの設計に活かせる開発事例です。