メインコンテンツまでスキップ

音声入出力

Klacksyは音声でも操作できます — 設定 > Klacksy 音声では、どのサービスであなたの声をテキストに変換するか（Speech-to-Text）、またどの声でKlacksyが応答するか（Text-to-Speech）を設定します。

仕組み​

音声認識 (STT): 4つのエンジンから選択できます — 無料のブラウザ（Web Speech API）、Deepgram（リアルタイムストリーミング）、Groq Whisper（高速かつ低コスト）、そしてAssemblyAI（ストリーミング）です。ブラウザ以外はすべて、独自のAPIキーを登録し、接続を直接テストできます。

音声合成 (TTS): こちらも4つのプロバイダーがあります — Edge TTS（無料）、OpenAI TTS、ElevenLabs、Google Cloud TTSです。選択したプロバイダーに応じて、Klacksは利用可能な音声を自動的に読み込みます。ここでも接続をテストできます。

出力モード: 応答をテキストのみ、音声のみ、手動で再生できる音声付きテキスト、または自動音声付きテキストのいずれで表示するかを決定します。無音検出（500～3000ミリ秒、デフォルト1500ミリ秒）は、発話後どのくらい待ってから録音が自動的に送信されるかを決定します。

文字起こしのクリーンアップ: このオプションを有効にすると、STTの生テキストがさらにLLMを通過し、フィラーワードの除去、言い直しの解消、文法・数字の整形が行われます。使用するモデルはご自身で選択できます。「最適なモデルを探す」を使うと、Klacksは16,000トークン以上のコンテキストウィンドウを持つ有効化済みのすべてのモデルをテストし、最も安価で高速な候補を提案します（モデルごとのタイムアウトは30秒）。クリーンアップ用プロンプトは編集可能で、工場出荷時の設定に戻すこともできます。

辞書: 音声認識が繰り返し誤って認識する用語（固有名詞や専門用語など）については、正しい用語、カテゴリー、発音のバリエーション、任意の言語割り当てを含むエントリを登録できます — Klacksyはこれらの用語をピンポイントで修正するようになります。

知っておくと良いこと​

  • ブラウザモードはAPIキーを必要としませんが、各ブラウザの音声認識に依存しており、品質面では有料サービスと比較できません。
  • APIキーは保存後、「設定済み」としてのみ表示され、平文で表示されることは二度とありません。
  • ここでのモデルチェックは、文字起こしのクリーンアップへの適性（コンテキストウィンドウ ≥ 16,000トークン）のみを検証します — Klacksyのメインモデルとしての一般的な適性については、別途より厳密なテストがあります（モデル接続テストを参照）。

すぐに試す: Klacks Playground — ログイン admin@test.com / P@ssw0rt1、データは毎日リセットされます。