要約:
ここ数日間、誰もが WeChat のグレースケール テストの新機能に悩まされていたはずです。まず、音声入力モードでは、「長押しして話す」の枠線が、見えなくなるのではないかと突然太く黒くなります。次に、テキスト入力モードでは、入力ボックスに次のことが表示されます。
長押しするとテキストを変換できます。
これはどういう意味ですか?
以前は、「長押しして話す」を使用するには、音声モードに切り替える必要がありました。あなたが放ったのは元の声であり、反対側で聞こえてきたのはあなたの魅力的な泡の声です（積極的にテキストに変換することを選択した場合を除く）。
しかし今では、入力ボックスを押し続けるだけで話すことができ、音声は直接テキストに変換され、手を離すと送信されます。
一見すると、とても便利そうに思えます。言ってから直接送信することもできます。しかし、多くのネチズンの最初の反応は苦情であり、誤って社会的死を引き起こすのはあまりにも簡単です。
しかし、悪い批評家は今日、これについて文句を言いません。
このアプリには音声入力のための場所が多すぎることに気づきましたか?
少し前、WeChat では入力ボックスの右側にマイク ボタン (+1) が配置され、ワンクリックで音声をテキストに変換できるようになりました。さらに、今回は入力ボックス (+1) を長押しし、長押しして音声モードで発話します (+1)、入力方法の音声キー (+1)、およびシステム独自のディクテーション (+1) も行います。
WeChat を開くと、画面の下半分に 5 つの音声ポータルがあり、あなたの発言を待っています。
グイグイ、本当にバッドレビューさんのサブウーファーを聞きたいですか？
この状況が携帯電話の WeChat にのみ表示されるのであれば問題ありません。問題は、現在、携帯電話からコンピューターに至るまで、多くのアプリがこのようなものであることです。
たとえば、Mac デスクトップ バージョンの WeChat には、以前と同じプロンプトが表示され、音声でテキストを入力するには Fn を押し続けるように指示されました。
Feishu デスクトップの入力ボックスには、音声をテキストに変換するための「Fn を押したまま話す」という行もあります。
兄弟たち、Mac 上で Fn がどれほど重要であるか本当にわかっていませんよね?入力方法および機能領域のすべての高周波キーが音声で占有されていますか?
心配しないでください。ここが私たちが向かうところです。
Feishu ドキュメントでは、表のグリッドを開くと、右上隅に音声テキスト変換テキストがあることがわかります。
こうしてみましょう。今、大きな工場アプリを開いたら、たくさんのマイクがあなたに手を振っているのが見えるでしょう。「おじさん、こっちに来て…」
理性を持って音声入力をしましょう。誰も異論はありません。複数の選択肢があるのは常に良いことです。
しかし、現在の姿勢は明らかに「より多くの選択肢を提供する」以上のものです。
注意を促すためにテキストを使用するものもあれば、入り口を最も目立つ場所に置くもの、単にボタンを非常に大きくするものもあります。
大手メーカーは、アプリ内で話せなくなることを恐れて、音声を優先することで合意したようです。
これを見ると、この音声入力の魅力とは何なのか、不思議に思われるはずです。
最初、悪いレビューを投稿した人は、非常にシンプルで使いやすく、安価だと考えていました。
ピンインに比べて入力効率が高く、コストも高くありません。
Volcano Engine の公式 Web サイトの価格によると、Doubao のストリーミング音声認識の料金は 1 時間あたり 1 元未満です。ヘビーユーザーが毎日 10 分間のスピーチを送信したとしても、年間の費用はわずか 60 元です。これはまだ小売価格であり、大手メーカーが独自のモデルを使用する場合にのみ安くなります。
しかし、問題は次のとおりです。
音声入力はまったく新しいものではありません。 Siri は 10 年以上前からディクテーションができるようになり、Amap の音声検索は何年も前から利用できました。なぜ今、音声の優先順位がこれほど高いのでしょうか?
後で考えてみると、鍵は入力方法にあるかもしれないことに気づきました。
私は以前、大手メーカーの入力方式について、すべてのアプリのドアを守る警備員のようなものだと書きました。まずユーザーのニーズをすべて認識し、次にアプリを認識します。
たとえば、Doubao アプリで質問すると、送信をクリックする前に WeChat 入力メソッドによって答えが投げつけられる可能性があります。
同様に、WeChat でメッセージを送信し、Beanbao 入力メソッドを使用して入力する場合、WeChat は間違いなくこのシーンを見たくないでしょう。
何年も前、Sogou 入力方法は Baidu を上回りました。
ユーザーは全員 Baidu を利用しており、入力時に表示される単語の候補は Sogou に直接取り込まれて検索されます。
そこで、アプリは次のように考えているはずです。ユーザーが私と直接対話し、インプット メソッドのセキュリティをバイパスする方法はないだろうか?
音声をテキストに変換します。
確かに、この技術は何年も前から存在していましたが、当時はコストが高く、精度も低かったのです。
過去 2 年間の大規模音声モデルの開発により、その精度と応答速度はほぼ完璧になりました。
AI によってサポートされる音声からテキストへの変換により、アプリは入力メソッドによって傍受されることを恐れることなく、初めて単独で動作する機会が得られると言えます。
しかし、これは単なる「防御」です。もう少し詳しく見てみましょう。大手メーカーは実際に攻勢に出ており、次世代のインタラクションへの入り口を事前に掴んでいます。
今日、長押しして話すと、アプリが言葉を単語に変換するのに役立ちます。明日、長押しして話すと、アプリが直接フライトを予約してくれるでしょうか?
これを実行できる AI ネイティブ アプリはすでにいくつかありますが、WeChat や Feishu などのアプリもこの方向に進みたいと考えており、まずユーザーが話せるようにトレーニングし、次にユーザーがエージェントと直接会話してニーズを満たせるようにトレーニングします。
次世代のアプリでは、口を開けて話す必要があります。→ AI が直接作業を行います。
しかし、このプロセスは段階的に行う必要があります。
そのため、主要なアプリは、ユーザーが独自のアプリ内で話す習慣を導き、育成するために最善を尽くし、その後、さまざまな AI 要約機能や検索機能を音声コマンドに徐々に統合する必要があります。
これが、誰もが音声認識を推進している理由です。
しかし、これで終わりではありません。
この現象は、将来的には市場のほとんどのアプリにも広がるでしょう。
インクリメンタル時代では誰がより速く走れるかを競うのに対し、ストック時代では誰がより強く噛めるかを競うからです。ケーキが大きくならなくなったら、各家族は自分のボウルに入っているものしか食べられなくなります。
この状況では、AI と組み合わせてユーザーを依存させる機能は、最初の企業が実行する限り、2 番目の企業も追随します。ユーザーは依存しているので市場の需要は変化し、そうしないとユーザーを奪われてしまいます。
私を信じないで、自分自身を批判してください。私は大企業の研修を受けて成功した生きた例です。
これらの音声エントリを初めて見たとき、私はこう思いました。「私は 10 年以上タイピングをしているのに、手の速度は遅くないのに、なぜ携帯電話に話しかける必要があるのでしょう?」
何度か試してみたところ、認識は非常に高速かつ正確で、曖昧な部分は自動的に修正されることがわかりました。
数か月前、私はまだ入力するのがデフォルトで、面倒だったので音声だけを使っていました...
今はどうですか？
口が開けられるときは決してタイプしません。オフィスに座って原稿を書いているときでも、口述筆記をしたくなります。指が痛くなくなり、入力速度も速くなりました。逆に、たまに入力方法に戻すと、なんでこんなに大変なんだろう、と思います。
もちろん、私の AI への依存はこれをはるかに超えています。
長い記事を見たとき、最初から最後まで読む忍耐力がないので、要点を要約するのを AI に任せています。 Twitter 上のニュースやビデオを確認したい場合は、@Grok が許可します。普段、情報を探すときはAIの概要を読んで、難しければいろんなエージェントに整理してもらいます。
これらの機能が登場した当初はあまり気にしていませんでしたが、何度か体験するうちに、知らず知らずのうちにこの機能なしでは生きていけなくなりました。
あなたも私もこのように AI に依存すると、市場の需要は微妙に書き換えられます。
AI 音声と AI 要約がなければ、誰もがアプリを使用することはできません。市場に適応するためには、アプリ開発者も当然追随してこれらの機能を提供する必要があります。
おそらく近いうちに、入力メソッドは不要になるでしょう。
最初にこの話題について話し始めたとき、編集チームはまだ冗談を言っていました。
このまま音声入力が続けば、将来の若者はピンインすら打てなくなるかもしれません。
最初は少し怖く聞こえるかもしれませんが、その日が来れば、ピンインを入力できなくても問題ありません。各世代には独自のスキルがあります。前の世代は、私たちが電球を修理したり、5 ストロークのタイピングをしたりすることはできないと考えていましたが、それでも私たちはかなり良い生活を送っていました。
インプットメソッドは決して目的ではなく、人とマシンを結び付ける単なる手段です。いつか新しい道が便利になったら、誰も古い道を懐かしむ人はいないでしょう。
時代の歯車は前進しており、社会の運営方法の進化とともに徐々に失われていくスキルが常に存在します。
コメント