WeChatのキーボードに「AI録音」、会議の音声がWebページになる

先週中国で出た最も面白いAI製品はモデルではない。キーボードの上のボタンだ。

10月27日、WeChatの公式チャンネルは、WeChat Input Method——非常に多くの中国のスマホユーザーがすでに使っているキーボード——に「AIボイスレコーダー」が加わったと発表した。録音する。リアルタイムで文字起こしされる。そしてテキストの壁を渡す代わりに、構造化されたWebページを渡してくる。誤字は直り、冗長な言葉は削られ、会話の論理が組み直され、要点が抜き出されている。

そして私が身を起こした部分。発表によれば、話された内容に合わせてチャート、図、インタラクティブなプロトタイプを当てはめられるという。

なぜキーボードであることが重要なのか

世界中の生産性企業が会議レコーダーを出してきた。ほとんどは何かをインストールさせ、権限を与えさせ、ワークスペースを選ばせ、録音ボタンを押すことを覚えさせられる。導入率は1桁台に留まる。摩擦が、最も注意を割けない瞬間に置かれているからだ。

WeChat版には解決すべき導入問題がない。キーボードはすでにインストールされ、すでにマイクへのアクセスを持ち、すでに1億人が書き始める面そのものだ。入口もそれを反映している。モバイルではキーボードのツールバーか入力メソッドアプリから開く。デスクトップにはホットキーがあり、MacのメニューバーとWindowsのツールバーもある。

これはスタートアップが買えない流通上の優位であり、これを書く価値がある理由でもある。機能自体は目新しくない。配置が新しい。

「構造化されたWebページ」が意味するもの

文字起こしはほぼ解決済みの問題だ。音声を、自ら進んで読むものに変えるのはそうではない。

会議をASRモデルに通したことがある人なら出力を知っている。正確な単語、形はない。人は同じことを繰り返し、言葉を途切れさせ、「えー、そう、とにかく」を14回言い、駐車場の余談の真ん中に決定事項を埋める。価値があるのは整理の部分で、ほとんどのツールはそこで静かに諦め、文字起こしに要約をホチキス留めして渡してくる。

発表されている振る舞い——誤字の修正、意味のないフィラーの除去、文脈を使った論理と要点の整理——は、録音を成果物ではなく原材料として扱うパイプラインを描いている。出力はページだ。つまりセクションがあり、階層があり、おそらくあなたが口に出していない見出しもある。

中国語入力メソッドには、過小評価されがちな利点がある。ピンイン入力とは、キーボードが一日中、入力するすべてに対して言語モデルを回し、補正し予測しているということだ。同じ種類のモデルを音声に適用するのは、西洋のキーボードベンダーより短い跳躍で済む。補正の層がすでに「あれば嬉しい」ではなく基幹インフラだからだ。

図の主張は吟味に値する

録音にチャート、イラスト、インタラクティブなプロトタイプを対応させるというのは、短い文に詰め込まれた大きな主張で、しかも大きく異なる2つの能力に分裂する。

控えめな版。3段階のプロセスについて話すと、「まず、次に、最後に」を聞き取ったので3段階の図を描く。これはテンプレート選択で、本当に有用であり、十分に手の届く話だ。

野心的な版。製品フローを説明すると、クリックできるインタラクティブなプロトタイプが出てくる。構造化されていない音声から状態、遷移、レイアウトを推論し、ユーザーがすぐ消さない程度に正しい必要がある。

私の推測だが、出荷される版は前者に近い。それは批判ではない。おおよそ正しい生成図は良い初稿で、おおよそ正しい生成プロトタイプはデバッグ作業だ。

中国で誰も声に出して聞かないプライバシーの問い

キーボードはすべてを見る。パスワード、銀行の通知、家族との口論、打ってから消した検索語。その面にレコーダーを足すということは、信頼関係がより密になるということで、単純になるということではない。

発表はデータの扱いに触れていない。製品発表としては普通で、製品判断としては心強い話ではない。妥当な推測はこうだ。文字起こしはオンデバイスかWeChat自身のクラウドで走り、生成されたページはWeChatのエコシステムに保存され、保持期間はそのエコシステムの他のすべてと同じ規約に従う。

中国の個人ユーザーにとって、その取引は馴染みがあり、おおむね受け入れられる。企業にとっては、「会議メモがWeChatにある」はコンプライアンスの会話であり、生産性の会話ではない。この機能は個人利用で広がり、企業では止められる。その市場における消費者向けAIの標準的な経路だ。

専用レコーダーとの比較

紙の上では専用アプリが勝つ。話者分離が良く、長時間セッションに強く、カレンダーやCRMと連携し、まともなエクスポートがある。実際には、ほとんどのアプリは会議の冒頭で唯一重要な指標——開くのを覚えていたか——で負ける。

トレードオフは制御を失うことだ。専用レコーダーなら音声がどこへ行くかを選べる。キーボードは選べないし、発表はそれに触れていない。個人のメモなら良い取引だ。NDAの下のクライアント通話なら、一方的に決めていい取引ではない。

だから現実的な棲み分けはこうなる。ひどく書き留めてしまうようなものにはキーボード、契約書に残るものには専用アプリ。どちらも残り、キーボードが圧倒的に多くの量を処理する。

戦略的な読み

WeChatは10年、AI機能を出すのが遅いと批判されてきた。これは逆の動きだ。チャットボットを作るのではなく、人々が1日に何百回も触る面に小さなモデルを置く。キーボード。ボイスメッセージ。ファイル。

デモはしにくく、流通はるかに良い戦略だ。チャットボットはあなたがチャットしたいと思う必要がある。キーボードの中のレコーダーは、そもそもタイプしようとしていたときにそこにいる。

出力形式の理由も説明できる。構造化ページはWeChat内で共有できる。文字起こしはエクスポートして忘れるファイルだ。成果物をエコシステムにネイティブにすることで、この機能はWeChatがすでに支配している場所を流通するコンテンツを生む。

見ておくこと

構造化ページが編集に耐えるか。一文を直してもレイアウトが保たれるなら、それは文書ツールだ。編集で構造が壊れるなら、それはスクリーンショットだ。

図がオブジェクトとして編集できるのか、平坦な画像として届くのか。前者はワークフロー。後者は飾りだ。

そしてレコーダーにAPIが付くか。付いたら、面白い製品はメモアプリではなくなる。誰もノートPCを開かずに会話を成果物に変えるツールになる。

機能自体は四半期以内にコピーされる。BaiduにもiFlytekにもAlibabaにも部品はある。すぐにコピーされないのは配置だ。国半分がタイプするキーボードを、他の誰も持っていない。

このリリースから持ち帰るべき教訓はそれで、モデルの品質とは何の関係もない。AI機能の最良の流通経路は、ユーザーがすでに手にしているものだ。