GranolaがディクテーIN機能を追加、音声AI入口争いが激化

音声AIの分野で「スキル交換」とも呼べる興味深い動きが起きている。Wisprが自社のディクテーションアプリに会議メモ機能を追加したばかりのタイミングで、GranolaはすかさずAI会議メモツールにディクテーション機能を搭載した。TechCrunchはこの状況をカードゲームUNOの「リバースカード」に例えて表現した――このカードを出すと、プレイの方向が瞬時に逆転する。音声AIの戦火は、それぞれの本拠地から相手の領域へと燃え広がっている。

リバースカード：会議メモからディクテーションへ、そしてディクテーションから会議メモへ

この相互攻勢の起点はWisprだ。「音声ファースト」を核心理念とするこの企業が提供するWispr Flowは、「話す方がタイピングより速い」を売りにしている。ユーザーは任意の入力欄でショートカットキーを押しながら話すだけで、極めて低いレイテンシで文字がカーソル位置に入力され、認識精度が高く、自動で表現を整え、文脈に含まれる専門用語も理解する。「キーボードを口に替える」という製品コンセプトにより、Wispr Flowはナレッジワーカーの間で急速に支持を集めた。その後、会議シナリオへと機能を拡張した――リアルタイムで音声を文字起こしできるなら、会議全体を記録してメモを生成することも自然な展開だ。

Granolaの反応も素早かった。AI会議メモアプリとして、Granolaは「メモを代替するのではなく、メモを強化する」という点を一貫して強調してきた。バックグラウンドで静かに会議を文字起こしし、ユーザーが手書きした要点とAIの文字起こし内容を統合し、会議後にモデルが構造化されたサマリーとして整理する仕組みだ。今回Granolaは会議室の外へ踏み出し、ディクテーション機能を日常的な文章作成・メール返信・アイデアメモなどあらゆる場面へと持ち込む。ロジックは明快で、会議以外にも「書くより話す方が速い」瞬間はユーザーの日常に数多く存在する。

なぜ両社は互いの領域に「越境」するのか

表面上は互いの機能を真似しているように見えるが、その背景には共通の技術基盤がある。音声収集・リアルタイム文字起こし・大規模言語モデルによる理解と生成というパイプラインは、会議メモとディクテーションのどちらのアプリにもほぼ共通して使える。基盤が整えば、製品の境界線はケイパビリティの問題ではなく、どのユースケースを選ぶかという問題になる。

さらに重要なのは、ユーザーのシナリオ自体が連続していることだ。会議が終わると、ユーザーはすぐにフォローアップのメールを書き、タスクを整理し、チャットツールで結論を共有することが多い――これこそディクテーション機能が最も価値を発揮する瞬間だ。逆に、音声入力に慣れたユーザーは、いずれ会議全体を記録・要約してほしいと思うようになる。この連続したワークフローをカバーできた方が、ユーザーの時間をより多く獲得できる。

また、会議メモ市場はすでに激戦区だ。Otter.ai・Fireflies・tl;dvなどの既存プレイヤーが存在し、Notion・Zoom・Teamsなどのプラットフォームがネイティブの文字起こしを標準機能として取り込んでいる中、Granolaは差別化された競争優位性を見つけなければならない。一方、ディクテーション市場も空白地帯ではなく、Wispr Flow以外にもSuperwhisper・MacWhisperやOS標準のディクテーション機能が存在する。相手の領域への拡張は、攻撃であると同時に防御でもある。

編集注：音声AIの競争は「誰の文字起こしが正確か」から「誰がユーザーのコンテキストをより深く理解するか」へと移行しつつある。文字起こしの精度は、かつてのカメラの画素数と同様に急速にコモディティ化するだろう。真に模倣困難なのは、個人の語彙・話し方の癖・人間関係のグラフ、そしてアプリをまたいだ権限とワークフローへの深い統合だ。GranolaとWisprの相互越境は、本質的に同一のポジションを争う戦いだ――ユーザーとデジタル世界をつなぐ音声入口である。

音声入口をめぐる争い、始まったばかり

注目すべきは、ディクテーションと会議メモの融合が新たな製品形態を生み出す可能性だ。たとえば、会議中に口頭で下した決定をシステムが記録するだけでなく、会議後にユーザーの表現スタイルに合わせてメールの下書きを作成する。文章作成中にふと口にしたタスクが自動的にタスクリストに追加され、関連する会議と紐付けられる。音声はもはや単なる入力手段ではなく、「キャプチャ→理解→アクション」という完全なパイプラインを貫く存在となる。

もちろん、課題も明確だ。プライバシーは音声製品にとって最も敏感な急所であり、会議の内容には機密情報が含まれることも多く、アプリが常時「傍聴」することをユーザーが受け入れるかどうかは未知数だ。ノイズの多い環境・訛り・専門用語に直面した際のレイテンシと精度も依然として重要な指標であり、マルチプラットフォーム対応とシステムレベルの権限取得はスタートアップのエンジニアリング能力を試す。音声インタラクションが「ツール」から「インフラ」へと進化するにつれ、規制とデータコンプライアンスの要件も高まり、すべてのプレイヤーが越えなければならない見えないハードルとなるだろう。

現時点でGranolaはディクテーション機能の具体的な価格や提供スケジュールを公表していないが、方向性は十分に明確だ。音声AIの戦いは、もはや単一機能の優劣ではなく、ワークフロー全体の争奪戦だ。WisprがAI会議メモへと上流に進出し、Granolaがテキスト入力へと下流に進出する中、両社は実質的に同じ問いに答えようとしている――キーボードの外で、音声は次のデフォルト入力手段になれるのか。答えはまだ出ていないが、この「リバースカード」によって勝負はさらに面白くなった。

本稿はTechCrunchを翻訳・編集したものです。