無料（デバイス上で実行）セットアップチュートリアル

1プロバイダーとして「無料」を選択

Sokuji を開き、設定パネルに移動します。プロバイダーのドロップダウンから 「無料」 を AI プロバイダーとして選択します。

2ASR モデルをダウンロード

ソース言語に合った ASR モデルを選択します。Sokuji は sherpa-onnx WASM と WebGPU（Cohere Transcribe、Voxtral Mini、Whisper）を搭載した 42 のオフライン/ストリーミングモデルを提供し、99 以上の言語をカバーしています。モデルサイズは軽量（約 5MB）から高精度（約 2GB 以上）まで様々です。最高の精度と速度には Cohere Transcribe または Voxtral Mini 4B Realtime を推奨します。

3翻訳モデルをダウンロード

翻訳言語ペアを選択します。最高の品質と速度なら TranslateGemma、高速 CPU 翻訳用の 74 の Opus-MT 言語ペア、または WebGPU 経由の Qwen LLM による高品質な多言語翻訳から選べます。

4TTS モデルをダウンロード

音声出力用の TTS モデルをダウンロードしてください。Piper、Coqui、Mimic3、Matcha エンジンを搭載した 136 モデルが 52 言語で利用可能です。音声ブロックで自分に聞こえる翻訳をオンにしている場合（相手モードまたは両方モード）、相手側の翻訳もあなたに読み上げられます。その方向には専用の TTS スロットがあり、モデルと音声を別に選べます。音声は方向ごとに保存されます。

5翻訳を開始

セッション開始ボタンをクリックします。認識と翻訳はデバイス上でリアルタイムに行われます。Edge TTS の音声を選んでいる場合、翻訳の読み上げにはネットワーク接続が必要です。

「無料」プロバイダーとは？

「無料」は、クラウドサービスを一切使用せずに ASR、翻訳、TTS を実行する完全オンデバイス AI 翻訳パイプラインです：

• 完全なプライバシー — すべての音声・テキスト処理はデバイス上で完結
• 初回モデルダウンロード後はオフラインで動作
• API キー、アカウント、サブスクリプション不要
• WebAssembly (WASM) と WebGPU によりネイティブに近いパフォーマンスを実現
• 無料で使用可能、使用制限なし

利用可能なモデル

「無料」プロバイダーは翻訳パイプラインの各段階に豊富なモデルを提供します：

• ASR：Cohere Transcribe、Voxtral Mini 4B Realtime、Whisper、SenseVoice、Moonshine、NeMo、Zipformer を含む 42 モデル — 99 以上の言語に対応
• 翻訳：高速 CPU 翻訳用の 74 の Opus-MT 言語ペア、および WebGPU 経由の TranslateGemma と Qwen LLM による多言語サポート
• TTS：Piper、Coqui、Mimic3、Matcha エンジンを使用した 52 言語 136 モデル

VAD設定（発話検出）

設定の「音声モード」が「自動」のとき、その横の「VAD設定」をクリックするとデバイス上の発話検出を調整できます。プッシュトゥトークとプッシュトゥトランスレートでは、各文の始まりと終わりをあなた自身が決めます：

• 最大発話時間：1 回の発話が分割されるまでの長さ（10〜40 秒、既定 30 秒）。一部のモデルは、正しく書き起こせる最長の範囲でもっと早く分割します
• 発話前バッファ：発話が検出される直前の音声を少し残し（最大 2 秒、既定 0.8 秒）、文頭の音が切れないようにします。対応するモデルでのみ表示されます
• スマート（Smart Turn）：常に一定の無音を待つのではなく、話し終えたかどうかを判定し、話が止まってから約 0.4 秒で文を終えます。文の途中の間は聞き続けます。オンにすると 31 MB のモデルを一度だけダウンロードします。WebGPU の音声認識モデルで動作します
• デフォルトに戻す：これらの設定を既定値に戻します

ハードウェア要件

• CPU (WASM)：モダンブラウザがあれば動作 — 特別なハードウェア不要
• WebGPU：Cohere Transcribe、Voxtral Mini、Whisper ASR、TranslateGemma、Qwen 翻訳モデル用のオプション GPU アクセラレーション — 専用 GPU で大幅に高速化
• 推奨：快適なモデル読み込みのため 4GB 以上の RAM
• ストレージ：精度レベルに応じてモデルサイズは 5MB〜200MB 以上
• モダンブラウザが必要：WebGPU サポートには Chrome 113 以上、Edge 113 以上、または Firefox 120 以上

TTS 設定

• 話速 — 合成音声の再生速度を制御します。速度スライダーを調整して、お好みに合わせて出力を速くしたり遅くしたりできます。
• 話者 ID — 合成音声の声質を制御します。多くのモデルは複数の話者 ID をサポートしており、それぞれ異なる声質を持っています。一部のマルチスピーカーモデルには異なる性別の声が含まれており、話者 ID を変更することで男性または女性の声を選択できます。話者 ID や Edge TTS の音声は方向ごとに保存されます。一方の方向の TTS スロットで選んだ音声は、もう一方の方向には影響しません。

一般的な問題

アップデート後に音声がリセットされた: Sokuji 0.44.0 から、音声は方向ごとに保存されます。以前のバージョンで選んだ音声は両方向で共有されていたため、アップデート後は各方向の音声が一度だけ既定の音声に戻ります。各方向の TTS スロットで音声を選び直してください。

自分に聞こえる翻訳が文字のみになる: 「自分に聞こえる翻訳は文字のみです: 相手側の音声モデルも読み込むにはメモリが足りません。」という警告が出た場合、両方向のモデルを同時にメモリに載せきれないため、相手側の翻訳は文字のみで始まり、あなた自身の翻訳はそのまま読み上げられます。警告の「設定」ボタンでその方向の TTS スロットが開きます。より小さいモデルか、ローカルのメモリを使わない Edge TTS を選んでください。

ブラウザ拡張機能で Edge TTS が読み上げなくなった: Edge TTS は現在 api.msedgeservices.com で音声を合成します。拡張機能が Sokuji 0.44.0 に更新されると、Chrome または Edge がこのサイトへのアクセス許可を求め、許可するまで拡張機能は無効のままになります。ブラウザの拡張機能ページを開き、新しい権限を許可してください。デスクトップアプリでは何もする必要はありません。

モデルのダウンロードに失敗する: 初回ダウンロード時のインターネット接続を確認してください。モデルはローカルの IndexedDB にキャッシュされるため、以降はオフラインで使用できます。ダウンロードが破損している場合は、ブラウザデータのクリアをお試しください。

ASR が音声を認識しない: ソース言語に正しい ASR モデルを選択しているか確認してください。より精度の高い大きなモデルをお試しください。マイクが正常に動作し、権限が付与されていることを確認してください。

翻訳品質が低い: Opus-MT モデルは品質よりも速度に最適化されています。デバイスが WebGPU をサポートしている場合は、TranslateGemma または Qwen LLM モデルをお試しください。正しい言語ペアを選択していることを確認してください。

WebGPU が利用できない: WebGPU には互換性のあるブラウザと GPU が必要です。GPU 不要で任意のモダンブラウザで動作する WASM ベースのモデル（sherpa-onnx、Opus-MT）にフォールバックしてください。

パフォーマンスのヒント

1. 利用可能な場合は WebGPU モデルを使用して処理を大幅に高速化
2. 他のブラウザタブを閉じてモデル読み込み用のメモリを確保
3. 低スペックデバイスや速度を優先する場合は小さいモデルを選択
4. WASM モデル（sherpa-onnx、Opus-MT）は互換性が高いが WebGPU 代替品より低速
5. ブラウザのメモリ使用量を監視 — 大きなモデルは 2GB 以上のブラウザメモリが必要な場合があります