
「作業日誌」を書くのをやめたい。音声入力とAI
農業DX挑戦シリーズ #04
この記事は、個人農家がIoT・クラウド・生成AIを活用して独自のスマート農業システムを構築する過程を発信する「農業DX挑戦シリーズ」の第4弾です。
今回は、農作業中の「記録」にまつわる苦悩と、それをAI音声入力で解決しようとした試行錯誤の物語。Windows標準機能から始まり、AIボイスレコーダー、そしてローカルGPUを活用した完全自動パイプラインへと至る、泥臭い開発の記録です。
はじめに:農家の手は泥だらけ
トラクターの振動、土の感触、そして泥だらけの手。
農作業の現場は、キーボードやスマホのフリック入力とは対極の世界にあります。
でも、「あ、このアイデアいいかも!」「今の作業時間、記録しておきたい」「野菜の生育状況、メモしなきゃ」
そんな瞬間は、畑にいる時こそ訪れるんです。
「後で書こう」と思って、家に帰る頃には忘れている。
そんな経験を、もう何百回と繰り返してきました。
「独り言のように呟くだけで、全てが勝手に記録されたらいいのに」
そんな怠惰な(しかし切実な)願いから、僕の「音声入力導入の旅」は始まりました。
これは、スマート農業を目指すいち農家が、音声入力デバイスやAIと格闘し、自分だけの最強の記録システムを構築しようとしている、現在進行形の物語です。

Phase 1: Windows標準機能とスマホ入力――意外と使える、でも限界がある
最初は手近な道具から始めました。Windows標準の音声入力機能(`Win + H`)や、iPhoneの音声入力です。
これらは確かに便利です。特に、GPT-4などのAIに指示出し(プロンプト入力)をする際、長文を打つのが面倒な時には重宝しました。
タイピング vs 音声入力
僕は正直、タイピング速度にはかなり自信があります。
中学時代にネトゲにどハマりして、チャットを打ちまくっていた結果、気づけばブラインドタッチが身についていました。速度テストなんかをやると、そこそこいい数字が出ます。
でも、そのタイピング速度をもってしても、音声入力のスピードには到底かなわないんです。
特に、AIと対話しながら企画やアイデアを膨らませる時。頭の中でぼんやり浮かんでいる構想を言語化して、AIに整えてもらう。この作業を音声入力でやると、効率が段違いでした。
思考のスピードとタイピング速度の間には、どうしてもギャップがあります。考えながらキーボードを叩くと、思考が追いつかなかったり、逆に指が追いつかなかったり。でも、喋るだけなら、思いついたことをそのままダーッと出せる。
「正直、変換精度はそこまで高くない時もある。細かいところに手が行き届かないこともある。でも、その変換精度の低さを、生成AIが補ってくれるから相性抜群なんです」
つらつらと自分の思いを言語化して、それをAIに拾ってもらって、企画やアイデアにすんなりと落とし込んで整形してもらう。これが、想像以上に気持ちよくて。
...とはいえ。
「畑での記録」には、決定的に向かない
問題は、「畑での記録」という用途でした。
Windows PCを畑に持ち込むわけにはいかないし、スマホを取り出してアプリを起動し、マイクボタンを押す...そのワンアクションすら、泥だらけの手袋をしている農家には高いハードルなんです。
土と汗にまみれた手で、画面をタップする。なんとか起動しても、マイクボタンを押すためにまた画面に触れる。
「あ、もういいや、後で」
何度、そう思ったことか。
そして、「後で」は永遠に来ない。
Phase 2: 「Notta」という革命と、300分の壁
専用デバイスの衝撃
次に導入したのが、AIボイスレコーダー「Notta」でした。
専用デバイス「Notta Memo」(約2万円)を購入。これが、第一の革命でした。
ハードウェアの手軽さ: ボタンを押すだけで録音開始。スマホを出す必要がない。
精度の高さ: 専用エンジンによる文字起こしは、Windows標準機能よりも明らかに高精度。
これにより、「アイデアの書き起こし」や「執筆原稿の下書き」は劇的に効率化されました。畑作業中にブツブツと喋った内容が、帰宅後にはテキストになっている。素晴らしい体験です。
意外と使える「話者分離」機能
文字起こしの精度が高いことに加えて、会議中に複数の人が話した時に、話者ごとに文字起こしを行ってくれる機能もありました。
正直、完璧な精度とは言えないんですけどね。でも、場合によっては重宝します。
農家の間での打ち合わせ、業者との商談、役場での対応...様々なタイミングで「ちょっと録音して、後で議事録を作ろう」という使い方ができました。
難しいことを考えずに、とりあえずボタンをピッと押すだけ。それだけで、後から言語化されたテキストがすでに出来上がっている状態になっている。
この手軽さは、本当にスマートでした。
しかし、使い込むほどに「壁」が見えてきた
でも、毎日のように使い込むうちに、「壁」にぶつかりました。
「月間300分」の壁です。
Nottaの無料プラン(デバイス購入特典含む)には、月間300分の文字起こし制限があります。毎日10分呟けば到達してしまう時間です。
無制限に使おうとすれば有料プランへの加入が必要。月額費用がまたひとつ増える。
SaaSのサブスク貧乏にはなりたくない。
「パソコン(Windows PC)には強力なGPUがあるのに、なぜクラウドにお金を払い続けなければならないのか?」
そんな疑問が、次のフェーズへの扉を開きました。
Phase 3: "Local & Free" を求めて 〜Whisper.cppとの出会い〜
「辞書登録」への執念
「ローカルPCのリソースを使って、無料で、無制限に、高精度な文字起こしがしたい」
そんな虫のいい話を探して行き着いたのが、OpenAIのWhisper、そしてその軽量実装である「whisper.cpp」でした。
ただ、Whisperを探し始めたきっかけは、実は「精度」だけじゃありませんでした。
「辞書機能を活用できるツールが欲しかった」んです。
農業には様々な専門用語(というか通称など)があります。「三花三雷(さんかさんらい)」「夜温(やおん)」「飽差(ほうさ)」「摘心(てきしん)」...これらの言葉を頻繁に話すことになる。
その単語をきちんと聞き分けて、正しく変換してくれるようにしたかった。
Windows標準機能の音声入力で辞書登録ができればよかったんですけど、調べてもなかなか難しいみたいで。
「特に考えなくても、ひたすら辞書に単語を登録していけば、どんどん自分らしい音声入力ツールに育っていって、精度が上がっていく」
そんなものを理想として探していたところ、Whisperに行き着いたんです。
ローカルGPUの力
自宅のWindows PC(NVIDIA GPU搭載)でWhisper.cppを動かせば、文字起こし放題。時間はかかりますが、電気代以外のコストはゼロ。
会議の録音データなどでテストしたところ、実用十分な精度が出ることが確認できました。
技術的な壁:なぜ「辞書登録」はうまくいかないのか
しかしここで、技術的な壁に直面しました。
最初はWhisperの「初期プロンプト(Initial Prompt)」機能に単語を登録すればいいと思っていました。プロンプトに専門用語を書いておけば、AIがそれを優先的に認識してくれるんじゃないか、と。
しかし、現実は甘くありませんでした。
「育苗」 → 「育病」
「夜温」 → 「野音」
「飽差」 → 「放送」
いくらプロンプトで教えても、AIは一般的な確率の高い単語(同音異義語)を選んでしまいます。
AI技術者(相棒のAntigravity)曰く、「Whisperのプロンプトは辞書(Dictionary)ではなく、あくまで文脈のヒント(Context)」なのだそうです。
つまり、「育苗」という単語をプロンプトに入れても、「いくびょう」という音を聞いた時に必ず「育苗」と変換してくれるわけではない。文脈から最も確率の高い漢字を選ぶ、というAIの基本的な動作は変わらないんです。
解決策:「餅は餅屋」作戦
そこで編み出したのが、「Whisperには音だけ取らせて、変換は別プログラムでやる」という力技です。
Whisper.cpp: とにかく音を文字にするプロ。多少漢字が間違っていても気にしない。(「野温」でOK)
Pythonスクリプト: 独自の辞書データに基づき、強制的に置換する。(「野温」→「夜温」)
さらに、「AIが出した漢字を信用せず、読み(音)さえ合っていれば修正する」というロジックを実装しました。
これにより、「野後」「家業」「八号」...どんな誤字が出ようとも、読みが「やごう」なら全て「屋号」に修正される、最強の辞書環境が完成しました。
「そこまでやる必要ある?」という声への回答
ここで、反論があるかもしれません。
「生成AIにプロンプトを渡すために音声入力するのであれば、そこまで変換の精度が高くなくても大丈夫では?」
確かに、その通りです。
実際、誤変換があったり、文章の脈絡がおかしかったり、変なところで文字が入っているような音声入力原稿を生成AIに投げかけても、かなり高い精度で文脈や意図を把握してくれます。間違って伝わったりすることはなく、綺麗に整えて理解してくれる。
だから、「そんなに辞書登録をして音声の書き起こしを綺麗にする必要はない」という意見も、わかります。僕も半分同意します。
でも、やっぱりその正しい文に整えるのに、AIも労力やリソースを使うわけです。
今後、APIの従量課金の金額が上がるだろうという予測も、僕なりにしています。AIの利用料は、世界的に見ても上昇傾向にある。
だから、できるだけAIに負担をかける前に、自分のローカル側・インプット側で整理できるものは綺麗にしたい。そういう考えで着手しています。

Phase 4: 「完全自動パイプライン」の構築へ(現在地)
PC前での効率化は、まだ道半ば
PCの前での文字起こし環境は整いました。
しかし、僕の目標はあくまで「畑での記録の自動化」です。
「家に帰って、iPhoneからファイルをPCに移して、スクリプトを実行する」
...これでは手動入力より面倒くさい!
結局、手間がかかるなら続かないんです。僕の性格的に。
そこで現在、「完全自動文字起こしパイプライン」の構築に着手しています。
目指すフロー (UX)
録音: iPhoneショートカットやApple Watchで録音。ワンタップ。
転送: 録音終了と同時に、自宅のサーバー(Raspberry Pi)へ自動転送。
解析: 自宅のWindows PCが自動で目を覚まし、GPUをフル回転させてWhisperで文字起こし。
記録: 着替え終わってリビングでお茶を飲む頃には、LINEやSlackに「文字起こし概要」が届いているし、なんなら情報を抜き出して必要な記録(栽培日誌やアイデア企画立て)が済まされている
畑で喋った内容が、何もしなくても、文字になって手元に届く。
これが、僕の目指すゴールです。
構成技術
Client: iPhone / Apple Watch
Server: Raspberry Pi 4 (n8nによるオーケストレーション)
Worker: Windows PC (whisper.cpp + Python辞書変換)
現在の進捗
実は、Phase 2「完全無人化」まではすでに実装済みです。
iPhoneで録音したファイルが自動で自宅サーバーに転送され、Whisperが走って、辞書変換されて、フォルダ分けされて文字起こしテキストが生成される。ここまでは動いています。
今からやるのはPhase 3「実践自動化フロー」の部分。フォルダ分けされたテキストごとに、n8nが起動して記録されたり原稿が作られたり...より具体的な活用フローの構築です。ここはまだ構想段階。
この辺の詳細は、また次の記事でまとめようと思います。
未来:記録から「第2の脳」へ
完全自動パイプラインが実現すれば、次のステップが見えてきます。
文字起こしされたテキストを、さらにLLM(大規模言語モデル)に投げ込むのです。
「これは栽培記録だね。Notionの栽培DBに入れておくよ」
「これは新しい事業のアイデアだね。アイデアノートに追記したよ」
「これはタスクだね。明日やるリストに入れておいたよ」
ただ喋るだけで、AIが情報の「仕分け」と「整理」までやってくれる。
「記憶の外付け化」と「事務作業の消滅」。
農家が「農作業」と「思考」だけに集中できる未来を目指して。
僕とAIの実験は、まだまだ続きます。
Farm Eolica / 関口卓磨
福島県双葉郡浪江町で切り花農家をやってます。トルコギキョウ、スプレーマム、金魚草、ストックなどを栽培。データドリブンなスマート農業に挑戦中。
Homepage: https://farmeolica.com
Instagram: @farm_eolica
X (Twitter): @FarmEolica
note: https://note.com/farm_eolica