音声録音・文字起こし
Ayumi では音声メモを録音し、自動的にジャーナルエントリーに文字起こしできます。標準ではデバイス内で完結し、録音を「文字起こし」ではなく「整形」したいときは Gemini、クラウド固有の音声機能が必要なときは Google・Meta・xAI・Groq の専用文字起こしエンジンを使えます。
アプリ内から
Section titled “アプリ内から”- 録音ビューに移動
- 録音 ボタンをタップして開始
- タイマーで録音時間を確認
- 停止 をタップして終了
マイク・入力デバイス
Section titled “マイク・入力デバイス”Ayumi は現在使用しているマイクをバッジで表示します（録音前の待機画面でも録音中でも確認できます）。Bluetooth・USB・有線・カーオーディオなどの外部アクセサリーは、iOS の音声ルーティングに合わせて内蔵マイクより優先して自動的に選択されます。
DJI Mic などの Bluetooth マイクにも対応しています。デバイスのペアリングや切断があるとバッジはリアルタイムで更新されるため、録音開始前に正しいマイクが選ばれているか確認できます。
入力レベルメーター
Section titled “入力レベルメーター”発話に合わせてセグメント式のレベルメーターが伸び、入力がクリッピングに近づくと青→オレンジ→赤と変化します。マイクが音を拾えているかの確認や、レベルを赤に入れすぎないための目安に使えます。メーターは Dynamic Island やロック画面の Live Activity にも表示されます。
Quick Action（iOS）
Section titled “Quick Action（iOS）”Ayumi アプリアイコンを長押しして 音声録音 を選択すると、すぐに録音を開始できます。
Apple Watch
Section titled “Apple Watch”手首で録音して iPhone で文字起こしすることもできます。Apple Watch を参照してください。
録音ステータス（iOS）
Section titled “録音ステータス（iOS）”録音を開始すると（特にショートカットから開始した場合）、Ayumi は使用中の入力デバイスと経過時間を表示するステータス画面を表示します。Open Recorder をタップすると録音ビュー全体に移動し、Hide をタップするとジャーナルリスト下部に浮かぶコンパクトなバナーに折りたたまれます。バナーをタップすればいつでも録音画面に戻れます。
Dynamic Island（iOS）
Section titled “Dynamic Island（iOS）”録音中は Dynamic Island とロック画面に Live Activity が表示され、録音状態・入力デバイス・入力レベル・経過時間を確認できます。音声セッションの準備中はタイマー開始前に専用の Starting…（開始中）フェーズが表示されます。そこから直接録音を停止することも可能です。
- 音声フォーマット：AAC エンコーディング、44.1 kHz（モノラル）
- ファイルはエントリーのアセットフォルダに保存
録音後、音声は文字起こしキューに追加されます。Ayumi には6つのエンジンがあります。どのエンジンを使うかは録音の プロファイル（後述）が決め、何も選ばなければ★付きの既定プロファイルが使われます。
| オンデバイス（Apple） | Gemini | Gemini Transcribe | Muse Voice Transcribe | xAI Grok Speech to Text | Groq Whisper | |
|---|---|---|---|---|---|---|
| 事前設定 | 不要 | Gemini API キー | Gemini API キー | Meta API キー | xAI API キー | Groq API キー |
| 音声の送信先 | デバイス外に出ない | Google に送信 | Google に送信 | Meta に送信 | xAI に送信 | Groq に送信 |
| ネットワーク | 言語モデルの初回ダウンロード時のみ | 毎回必要 | 毎回必要 | 毎回必要 | 毎回必要 | 毎回必要 |
| 出力 | タイトル付きの逐語文字起こし | プロンプト次第 | タイトル付きの文字起こし（スマート／逐語） | タイトル付きの文字起こし | タイトル付きの文字起こし | タイトル付きの文字起こし |
| プロンプト | 使われない | 使われる | 使われない | 使われない | 使われない | 使われない |
| カスタム語彙 | なし | プロンプトで指示 | あり（ファイルまたは直接入力） | あり（ファイルまたは直接入力） | あり（最大100キーターム） | ファイルまたは直接入力を Whisper の文脈に使用 |
| 話者ラベル | なし | プロンプトで指示 | あり（最大8人） | あり（20人以上） | あり | なし |
| 最大入力 | — | 約1時間 | 1時間（ラベルありは30分） | 10分 | 1ファイル500 MB | 1ファイル25 MB |
オンデバイス文字起こし
Section titled “オンデバイス文字起こし”インストール直後は組み込みの On-device プロファイルが既定なので、事前設定なしで最初の録音がそのままエントリーになります。Apple の音声モデルでデバイスの言語のまま文字起こしし、冒頭の一文をタイトルにした逐語テキストを書き出します。
言語モデルは、その言語で初めて文字起こしするときに一度だけダウンロードされます。それ以降はネットワークなしで動作します（機内でも地下でも、機内モードでも）。
デバイスの言語が Apple の音声モデルの対応言語に含まれていない場合、Ayumi は誤った言語で文字起こしせずにその旨を表示します。その場合は Gemini のプロファイルを使ってください。
Gemini 文字起こし
Section titled “Gemini 文字起こし”Gemini は録音を Google に送信し、プロンプトが求めるもの（整形された文字起こし、議事録サマリー、振り返りエントリーなど）を返します。自分で用意した API キーが必要です。Gemini API 連携 を参照してください。
録音が Google に送信される直前に、Ayumi は初回のみ同意ダイアログを表示します。オンデバイス文字起こしではこのダイアログは出ません。
Gemini Transcribe
Section titled “Gemini Transcribe”Gemini Transcribe は Google の文字起こし専用モデル（gemini-3.5-transcribe）を Gemini API キーで使います。プロンプトは受け付けません。オンデバイスエンジンと同じく冒頭の一文をタイトルにした文字起こしを書き出しますが、文字起こしそのものを細かく制御できます。初期の Gemini Transcribe プロファイルは言語自動検出と Smart スタイルで動きます。オプションはプロファイルを編集（または複製）して設定してください。
| オプション | 内容 |
|---|---|
| Language（言語） | Automatic は話している言語をその場で検出し、録音の途中で言語が切り替わっても追従します。検出が外れ続けるときだけ、85以上の対応言語から選んでください。 |
| Style（スタイル） | Smart はフィラーや言い直しを落として軽く整形します。Verbatim は一語一句そのまま残します。 |
| Label Speakers（話者ラベル） | Verbatim のみ。話者が変わるごとに段落を分け（**Speaker 1:** …）、最大8人まで識別します。各単語の話者情報は単語の時刻情報に乗って返るため、Ayumi は同時に時刻情報も要求します（Google によると精度がわずかに下がることがあります）。 |
| Word Timestamps（単語タイムスタンプ） | Verbatim のみ。段落ごとに [mm:ss–mm:ss] の区間を付けます。Label Speakers ありなら話者ターンごと、なしなら文ごとです。要求する時刻情報と精度の注意点は話者ラベルと同じです。 |
| Custom Vocabulary（カスタム語彙） | モデルに認識させたい人名・専門用語・製品名です。 |
カスタム語彙はプロファイルに属し、2つの場所から集められて両方がまとめて送られます。
- Markdown ファイル — プロファイルエディタの Choose Markdown File… から改行区切りのリストを選びます。iCloud Drive に置いておけば全デバイスで共有できます。箇条書き記号・番号・見出し・チェックボックスは取り除かれるので、Obsidian で管理しているノートをそのまま使えます。Ayumi はファイルへのアクセスを安全に保持し、文字起こしのたびに読み直すため、編集はすぐに反映されます。
- プロファイルに入力した語 — 1行1語で、手元のデバイスでさっと追加したいときに使います。
録音は最長1時間、話者ラベルまたは単語タイムスタンプありの場合は30分までです。音声は Google に送信されるため、Gemini と同じ同意ダイアログが適用されます。
Muse Voice Transcribe
Section titled “Muse Voice Transcribe”Meta の音声モデルを、自分のキーで Meta Model API 経由で使います。Gemini Transcribe と同じくプロンプトは受け付けず、タイトル付きの文字起こしを書き出します。Label Speakers・Turn Timestamps・言語ヒント・キーワードはプロファイルで設定し、Gemini Transcribe と違ってキーワードと話者ラベルを併用できます。録音は10分までです。Muse Voice Transcribe を参照してください。
xAI Grok Speech to Text
Section titled “xAI Grok Speech to Text”xAI のファイル文字起こし API を、自分の xAI キーで使います。プロンプトは受け付けず、タイトル付きの文字起こしを書き出します。xAI Grok のプロファイルでは言語自動検出、言語指定時の数値・単位の整形、話者ラベル、時刻範囲、フィラー語、最大100個の人名・用語へのバイアスを設定できます。Ayumi の M4A 録音を直接送信し、API 上限の500 MBまで受け付けます。xAI Grok Speech to Text を参照してください。
Groq Whisper
Section titled “Groq Whisper”GroqCloud の Whisper ファイル文字起こし API を、自分の Groq キーで使います。高速な既定モデル Whisper Large V3 Turbo と、精度重視の Whisper Large V3 を選べます。Groq のプロファイルでは言語ヒント、セグメント時刻、人名・用語を Whisper の文脈として設定できます。直接アップロードは25 MBまでです。Groq Speech to Text を参照してください。
録音ごとにエンジンを選ぶ
Section titled “録音ごとにエンジンを選ぶ”録音画面の Profile ピッカーはエンジンとその設定を決めます。その下の Model ピッカーは、その録音1件だけエンジンを上書きするもので、既定は Use Profile です。エンジン固有の設定もその録音だけ上書きできます。Gemini ならプロンプト、Gemini Transcribe・Muse Voice Transcribe・xAI Grok Speech to Text・Groq Whisper なら Transcript Options の各項目です。プロファイル自体はそこからは変更されません。同じ上書きはエントリーを再文字起こしするときにも使えます。
同じ音声を後からもう一方のエンジンで文字起こしし直すこともできます。録音はエントリーに添付されたまま残り、再文字起こしは元のエントリーを上書きせず新しいエントリーを作ります。まずオンデバイスで捕まえておき、後から Gemini に通す、という流れに無駄がありません。
プロファイル
Section titled “プロファイル”プロファイルは、エンジンと「何をさせるか」（Gemini ならプロンプト、専用文字起こしエンジンなら文字起こしオプション）を名前付きでまとめたものです。すべてのプロファイルがエンジンを持ち、別途「既定のエンジン」はありません。★付きのプロファイルが既定で、Watch やバックグラウンド録音もそれを使います。Ayumi には8つの組み込みプロファイルがあります：
| プロファイル | エンジン | 説明 |
|---|---|---|
| On-device | オンデバイス（Apple） | 逐語の文字起こし。デバイス外に出ない。インストール直後の既定 |
| Clean Transcript | Gemini | 読みやすいクリーンな文字起こしを生成 |
| Meeting Summary | Gemini | 要点をまとめた構造化されたサマリーを生成 |
| Journal Reflection | Gemini | 録音から振り返りのジャーナルエントリーを作成 |
| Gemini Transcribe | Gemini Transcribe | 言語自動検出の Smart 文字起こし |
| Muse Voice Transcribe | Muse Voice Transcribe | 言語自動検出の文字起こし |
| xAI Grok Speech to Text | xAI Grok Speech to Text | 言語自動検出の文字起こし |
| Groq Whisper (Fast) | Groq Whisper Large V3 Turbo | 言語自動検出の高速な文字起こし |
初期の Gemini プロファイルは gemini-3.7-flash を使います。初期プロファイルを含むすべてのプロファイルを、編集・メニューからの複製・並べ替え・削除できます。プロファイルは並べ替えた順に表示され（ドラッグ、またはメニューの Move Up / Move Down）、録音画面やショートカットの一覧もその順になります。
独自のプロファイルを作成することも可能です。
プロファイルエディタで6つのエンジンから選ぶと、そのプロファイルを選ぶだけで（録音画面でも、ショートカットでも、Watch の録音でも）エンジンも一緒に決まります。Gemini のプロファイルはモデルとプロンプトを持ちます。クラウドの専用文字起こしプロファイルは、各プロバイダが対応する言語・話者・タイムスタンプ・語彙設定を自前で持ちます。API キーは文字起こし設定の Gemini・Meta・xAI Grok・Groq セクションで共有でき、プロファイル側で上書きもできます。同意もプロバイダごとに独立しています。
プロンプト変数
Section titled “プロンプト変数”プロンプト（プロファイル、および録音ごとの プロンプトオーバーライド 欄）には、文字起こしの実行時にコンテキストへ展開される変数を含められます。プロンプト欄の隣にある Insert Variable（変数を挿入）メニューから、カーソル位置に挿入できます。
| 変数 | 展開される内容 |
|---|---|
{{recent_entries}} / {{recent_entries:N}} | 最新のジャーナルエントリーの本文（デフォルト3件、最大10件） |
{{recent_summaries}} / {{recent_summaries:N}} | 最新エントリーの1行サマリー（デフォルト10件、最大30件） |
{{file:name.md}} | Insert Variable から選んだ Markdown ファイルの内容（またはジャーナルフォルダからの相対パス） |
{{today}} | 今日のローカル日付（例：2026-06-20 (Saturday)） |
{{now}} | 現在のローカル日時（ISO 8601 形式） |
文字起こしキュー
Section titled “文字起こしキュー”文字起こしタスクはバックグラウンドで実行されます：
- 保留中・実行中・完了済みタスクの状態を確認
- 失敗した文字起こしタスクをリトライ
- キューからタスクを削除
iOS では、アプリがフォアグラウンドにない場合でもバックグラウンドで処理が継続されます。文字起こしが完了すると Ayumi は 文字起こし完了 通知を表示します。通知をタップすると、生成されたエントリーを直接開けます。
文字起こし結果
Section titled “文字起こし結果”Gemini による各文字起こしで以下が生成されます：
- サマリー — 内容の概要
- トランスクリプト — 完全なテキスト文字起こし
- レスポンス — 選択したプロンプトに基づくAIの応答
- 言語 — 検出された音声の言語
オンデバイス文字起こし・Gemini Transcribe・Muse Voice Transcribe・xAI Grok Speech to Text・Groq Whisper は、応答すべきプロンプトがないため、トランスクリプト（とエンジンが返す場合は言語）のみを生成します。
生成されたエントリーには、文字起こしに使ったモデルとプロファイルも記録されます。どちらもエントリー詳細ビューの文字起こしで作成ラベルの下に表示され、Markdown のフロントマターにも保存されます（Markdown フォーマット を参照）。
iOS ショートカット連携
Section titled “iOS ショートカット連携”おすすめのショートカット活用例（バックグラウンド録音、アクションボタンからの起動、ネイティブ文字起こしの利用など）は iOS ショートカット を参照してください。