更新 2026年9月4日 · 著者 Sumbat.T

LinuxのSpeech to Text: 本当に入力する7つのツール（2026）

Linuxで口述する

.debから入れられるLinuxビルド

Ubuntu GNOME on Wayland、Ubuntu GNOME on X11、Mint Cinnamonをリリース済みとして掲載。Chrome拡張ならディスプレイサーバを丸ごと避けられます。

Add BlabbyAI to Chrome

どのLinuxディクテーションガイドも飛ばす問い

LinuxのSpeech to Textを検索すると、7〜8のツールが並び、それぞれモデルとライセンスの短い説明が付きます。いちばん上の推奨を入れてみると、音声は完璧に文字起こしされてもエディタには何も入らない、という確率がかなりあります。壊れているのではありません。リストが省略した一点に当たっただけです。

ディクテーションソフトは本当にはタイプしません。音声をテキストに変え、フォーカスのあるアプリに届くようキー入力をシミュレートします。WindowsとmacOSではそのシミュレーションは文書化されたシステムサービスで、利用者には見えません。Linuxではそれが問題全体のうちいちばん難しい部分です。キー入力のシミュレート方法が、動いているディスプレイサーバ次第だからです。

X11では、どのプログラムも他のプログラムに入力イベントを注入できます。それが xdotool を動かす理由であり、長年知られたX11のセキュリティ弱点でもあります。キーロガーがX11で簡単に書けるのは、ディクテーションが簡単なのと同じ理由です。Waylandはその穴を意図的に閉じました。通常のWaylandアプリは他のアプリにキー入力を押し込めません。本物のセキュリティ改善であると同時に、ディクテーションツールが何もしないまま止まる理由でもあります。

この問題は年々重くなります。主要ディストリが既定でWaylandに移っているからです。つまりGoogleの1ページ目にある定番アドバイスは、Ubuntuのリリースごとに古くなり、いちばん熱心に勧められるツールほど、残っている設定作業が多い、という構図になりがちです。

4つの入力バックエンドと、それぞれのコスト

Linux上のオープンソース・ディクテーションツールのほとんどは、タイプ工程を4つの小さなユーティリティのどれかに任せます。どれが必要かはディスプレイサーバが決め、設定量の差は桁違いです。この表こそ、インストールの夜がうまくいくかを決める部分です。

2行目と3行目のあいだが、話のすべてです。wtype を足すのは apt install が1回。ydotool を足すと、プロジェクトのリリースページからバイナリを取り、$PATH のどこかに置き、ユーザーを input グループに入れ、/dev/uinput がrootなしで書けるようudevルールを書く、という作業になります。nerd-dictationプロジェクト自身がこれを全部文書化しており、なぜ既定でないかも率直です。ydotoolは「requires some system configuration to use conveniently」であり「lacks accessible documentation」だと書いています。

自分でLinuxを選んで使っている人なら、どれも手が届かない作業ではありません。ただし、口述を始めるつもりだった時点で初めて知るより、始める前に前にあると分かっている方がよい、というだけの話です。

7つのツール一覧

好みではなく、インストールから口述までの作業量で並べています。最初に読むべきはWayland列です。

ツール	種類	Wayland	インストール	価格
BlabbyAI	パッケージ済みデスクトップアプリ	Ubuntu GNOME Waylandをリリース済みとして掲載	.deb、AppImage、snap	$8.49/月、無料枠は週60クレジット
Handy	オープンソースのデスクトップアプリ	制限あり。wtype、またはUbuntu 26.04ではydotoolが必要	事前ビルド済みバイナリ	無料、MIT
Speech Note	スタンドアロンウィンドウ	影響なし。他アプリへタイプしない	Flatpak	無料、MPL-2.0
Whispering	オープンソースのデスクトップアプリ	同系統の入力バックエンド設定が必要	事前ビルド済みバイナリ	無料、APIキーは自分で用意
nerd-dictation	CLIスクリプト	既定のxdotoolバックエンドでは何も入力しない	リポジトリをクローン	無料、GPL-3.0
whisper.cpp	ライブラリとCLI	入力の配線は自分で行う	ソースからビルド	無料、MIT
ibus-speech-to-text	入力メソッド	GNOME上のIBus経由で動作	ディストリのパッケージ	無料

出典: ベンダー資料と各プロジェクトのREADME（2026年9月時点で確認）。GitHubの数値は2026年9月4日のGitHub API。

1. BlabbyAI: Waylandを含むパッケージ済みLinuxビルド

BlabbyAIは文字起こしツールではなくディクテーションアプリです。ショートカットを押し、話し、カーソルがある欄にテキストが出ます。画面下中央にツールバーがあり、同じビルドにカスタムモード、カスタムスペル、言語選択が載っています。

Linuxリストの先頭に置く理由は狭く具体的です。パッケージされている、という一点です。ダウンロードは .deb、AppImage、または snap なので、Debian系やUbuntu系ならダブルクリックか dpkg -i が1回で済み、AppImageならシステム全体に何も入れずに走れます。 Linuxページ のサポート表では、Mint Cinnamon X11、Ubuntu GNOME X11、そして Ubuntu GNOME Wayland がリリース済み、KDE Plasmaは開発中です。上で述べたすべてを踏まえると、効くのは最後の一点です。

出典: BlabbyAI Linuxアプリ。

カスタムモードにはもう一文足す価値があります。このページのオープンソースには同等がありません。指示はプリセットではなく自由文なので、言語モデルが文章にできることはほぼ何でもできます。フィラー削除、社内スタイルの強制、翻訳、とりとめない話を構造化したレポートに変換、あるいは「新しい段落」など自分で定義した発話コマンドの実行。音声はモードへの入力であり、モードがそれを書き換えます。

2. Handy: 最良の無料デスクトップ選択肢（Waylandに注釈あり）

HandyはRust製のMITライセンス、完全オフラインのディクテーションアプリで、このカテゴリの無料選択肢としていちばん信頼できます。Windows、macOS、Linuxで動き、拡張可能を自認し、アクセシビリティツールを有料の壁の向こうに置かない、という方針を掲げています。2026年9月4日のGitHub APIでは スター30,961、最終プッシュは 2026年8月31日 で、人気があり活発にメンテされている、このカテゴリでは当たり前ではない組み合わせです。

注釈はWaylandです。プロジェクトの誠実さとして、Issueトラッカーの奥ではなくREADMEに書かれています。Handyは「limited support for Wayland display server」と明記し、テキスト入力には wtype か dotool が必要です。そしてカテゴリ全体の見方を変える一文が続きます。

これを、Ubuntuがいちばん広く使われるデスクトップ向けディストリであり、現行Ubuntuが標準でWaylandを出す、という事実に重ねて読んでください。いちばん勧められる無料ディクテーションツールが、いちばん多いディストリの既定構成では、4つの入力バックエンドのうちいちばん重いものとsystemdユニットを要求します。Handyへの批判ではなく、むしろ異例の正直さです。Linuxディクテーションが「面倒」という評判を持つ理由を、いちばんはっきり示す一例です。

3. Speech Note: 問題そのものを避ける

Speech Note（dsnoteとも呼ばれる）はLinux上でもっとも完成度の高いオフライン音声アプリで、ディスプレイサーバ問題を「持たない」ことで解きます。ウィンドウです。Speech Noteに口述し、テキストはSpeech Noteに出ます。他アプリへのキー注入をしないのでX11もWaylandも同じように問題なく、入れる入力バックエンドもありません。

ライセンスはMPL-2.0、Flatpakで素直に入り、最終プッシュは 2026年9月2日、スターは1,624で、明らかに生きています。ディクテーション以外もできます。オフラインのSpeech to Text、Text to Speech、機械翻訳が1つのアプリに入り、大きいモデル向けにVulkan GPU加速もあります。仕事が「テキストの塊を作ってあとで貼る」なら、このページで最良のツールと言えます。

4. Whispering: 文字起こしプロバイダは自分で用意

Epicenterプロジェクトの一部であるWhisperingは、文字起こしバックエンドを利用者が供給する点が特徴のオープンソース・ディクテーションアプリです。ローカルモデルと多数のホスト型プロバイダに対応するので、精度もコストも開発者ではなく自分で選べます。2026年9月4日時点でリポジトリのスターは4,786、最終プッシュは 2026年8月30日 でした。

ぴったりの人は一人です。すでにAPIキーがあり、使いたいモデルが分かっており、自分で呼べるモデルの薄い層にサブスクを払うこと自体が嫌な人。そうでないなら、プロバイダ選択は口述までの決断がもう一つ増え、Waylandでは同じLinux入力バックエンド作業も残ります。

nerd-dictationはVOSK API上の単一ファイルPythonスクリプトで、GPL-3.0、そして本当にエレガントです。50MB未満の小さいモデル、ほぼゼロに近いリソース、Pythonに慣れていればハックしやすい。Linuxディクテーションのまとめにはほぼ必ず出てきて、このクエリのGoogle AI Overviewにも載ります。

まとめ記事がほとんど書かない点が2つあります。1つ目はメンテナンスです。2026年9月4日のGitHub APIでは最終プッシュが 2025年10月10日で、コミットなしが約11か月近くです。アーカイブされておらずコードは動きますが、HandyやSpeech Noteのような活発な開発ではありません。

2つ目はWaylandでの挙動で、どの記事よりも本人のドキュメントの方がはっきり書いています。既定の入力バックエンドは xdotool で、プロジェクトのydotoolガイドは平易な言葉でこう言います。

修正は実在し、文書化されています。--simulate-input-tool を渡し、DOTOOL、YDOTOOL、または WTYPE を選びます。同じガイドには、英語以外で口述するなら知っておくべきxdotoolのもう一つの制限も書かれています。「considerable slowdowns when writing characters not found in the English language, temporarily freezing your computer’s display」です。

whisper.cppはOpenAIのWhisperモデルのC/C++移植で、上のアプリのいくつかを下支えしており、競合というより基盤です。単体ではディクテーションツールではありません。音声をテキストに変え、ホットキー、マイク取り込み、キー入力シミュレーションは自分で書きます。

ある種のLinuxユーザーには、欠点ではなく魅力がそこです。arecord とwhisper.cppと dotool を結ぶシェルが20行あれば、欲しいディクテーションだけが残り、テレメトリもアカウントも、頼んでいない更新もありません。自分でステータスバーを組んだことがあるなら、この段落が良い午後を指しているか悪い午後を指しているかは、すでに分かっています。

最後の選択肢は種類が違います。他アプリへタイプするアプリではなく、GNOMEが他のキーボードレイアウトや入力メソッドにすでに使っている入力メソッド枠組みIBusに差し込みます。パッケージを入れ、キーボード設定の入力ソースにSpeech to Textを追加すれば、他の入力メソッドと同じように標準アプリで使えます。

キー入力シミュレーションではなく入力メソッド層経由なので、Waylandの壁に同じようには当たりません。制約は、実務上はGNOMEとFedora寄りの領域であること、そしてパッケージ済みツールが載せるクリーンアップ・整形・カスタム指示がなく、生の文字起こしが返ることです。Linuxディクテーションがネイティブに感じられる、というデモとしては、このリストでいちばん希望が持てる項目です。

本当に効く順番で選ぶ

定番アドバイスは精度から始めることですが、順番が逆です。精度はモデルの性質で、ここにあるツールはどれも同程度のWhisperモデルを走れます。体感精度の差の多くは、気づかずに選んだモデルサイズの差です。代わりにこの順番で進めてください。

1. 自分の環境を確認する。 echo $XDG_SESSION_TYPE。以下はすべてこの答えに依存し、所要は2秒です。
2. システム全体への入力が要るか決める。 あとで貼る長文の下書きなら、Speech Noteは優秀で問題を丸ごと避けられます。ウィンドウを切り替えずにSlack返信を口述したいなら、他アプリへタイプするツールが必要で、ディスプレイサーバの問いが現実になります。
3. 書く場所を正直に見る。 答えが「ブラウザのタブ」なら、 Chrome拡張 が、どのディストリでもシステムレベルのインストールなしで解きます。
4. そのあと、何を払うかを決める。 無料ツールのコストは設定の夜とときどきのメンテです。 BlabbyAI のようなパッケージ済みツールは月$8.49で.debとして届きます。どちらも正当な答えで、Linuxユーザーは前者を意図的に選びやすい立場にあります。
5. モデル比較は最後。 そしてツールが不正確に感じたら、別のツールを試す前により大きいモデルを試してください。

入力バックエンドの夜を飛ばす

.debを入れて口述を始める

無料枠は週60クレジット、カード不要。Ubuntu GNOME Wayland、Ubuntu GNOME X11、Mint Cinnamonをリリース済みとして掲載。Chrome拡張はどのディストリでも動きます。

Add BlabbyAI to Chrome

なぜこのカテゴリはLinuxにあり、他ではほとんどないのか

根にある非対称に名前を付けておく価値があります。上のすべてがこの形になる理由だからです。Windowsは Win+H の音声入力を同梱し、macOSはDictationを同梱します。どちらもOS内蔵で、どのテキスト欄でも動き、キー入力の届け方を考えさせません。それらのプラットフォームでは、サードパーティのディクテーションは十分な無料既定を超える必要があります。

主要なLinuxディストリに、いつでも使える同等機能はありません。その穴があるから、ここには信頼できるプロジェクトが7つあり、多くは無料でいくつかは優秀であり、最後の1マイルの解き方もそれぞれ違います。委譲できるシステムサービスがないので、各プロジェクトが自分の答えを選び、答えは揃いません。

このリストのいちばん公正な読み方もそこです。品質の違う7つのツールではなく、WindowsとmacOSが何年も前に中央で答えた地味な工学的問いへの、7つの違う答えです。自分に合うものは、モデルよりディスプレイサーバと、言葉をどこに着地させたいかに依存します。

よくある質問