Claude Code 音声入力、日本語で動かすまでの3ステップと1つの壁

TL;DR: Claude Code の /voice は日本語非対応（2026年3月現在）。whisper.cpp で代替を作ると文字起こしまでは動く。ただし Wayland の制約で Claude Code への直接入力統合は難しい。結論：公式対応を待つのが現実的。

Claude Code の /voice を起動した瞬間に気づきました。英語しか認識しない。

正確に言うと、動くは動くのですが、日本語を喋っても返ってくるのは英文か、謎の記号だけです。GitHub Issue を見ると「日本語非対応は既知の問題」とあっさり書いてある。

やるしかないと思いました。whisper.cpp で自前の音声入力を作れば、少なくとも文字起こしだけは解決できます。

Claude Code のバイナリを少し覗いてみると（strings コマンドで覗ける程度ですが）、音声認識周りはシステム標準のSTTに依存していることが見えてきます。

日本語非対応はバグではなく、仕様に近い状態。GitHub の Issue にもそう書いてあります。

外から直すことはできない。自前で用意するしかない。

whisper.cpp は Meta の Whisper モデルをC++で再実装したもので、GPUなしでも動きます。CPUで動かしても日本語の文字起こしとして十分に実用的です。

git clone https://github.com/ggml-org/whisper.cpp
cd whisper.cpp && cmake -B build -DWHISPER_SERVER=ON && cmake --build build -j$(nproc)

モデル選びは精度と速度のトレードオフです。

medium が現実的なバランスです。

bash models/download-ggml-model.sh medium

whisper-server を systemd のユーザーサービスとして登録しておくと、ログイン後に自動起動してくれます。ポートは 8080 が埋まっていることが多いので 2022 にしました（2026年3月、whisper.cpp commit 9f112a3 で確認）。

arecord で録音して、whisper-server の /inference エンドポイントに投げるだけです。

Enter → 録音開始 → Enter → 録音停止 → 文字起こし → クリップボードにコピー

ここで2つ詰まりました。

1. hw:1,0 でモノラル録音が拒否される

arecord -D hw:1,0 -c 1 を叩くと Channels count non available と怒られます。plughw:1,0 に変えると解決します。hw: はハードウェアに直接アクセスするのでデバイスネイティブのフォーマット以外を拒否します。plughw: は ALSA のプラグインレイヤーが変換してくれるので、モノラル/ステレオの差異を気にしなくて済みます。

2. whisper-server のレスポンスが JSON で返ってくる

-F "response-format=text" を指定してもJSONが返ってくる場合があります。{"text": "マイクテスト..."} という形式です。jq -r '.text' で本文だけ取り出すように対応しました。

Wayland 環境のクリップボードには wl-clipboard を使います。wl-copy でコピーして、貼り付けは Ctrl+Shift+V です。

「マイクです」

これが最初に文字起こしに成功したひと言です。スクリプトを動かして、マイクに向かって話して、✅ クリップボードにコピーしました！ が出た瞬間に貼り付けてみた結果がこれです。

medium モデルを CPU で動かしているので、10秒程度の発話に対して 15〜20秒ほど待ちます。GPUがあればもっと速くなりますが、テキスト入力の補助として使う分には許容範囲です。日本語の認識精度は十分です。句読点もそれなりに入ります。

文字起こしが動いたところで、次の欲が出ました。「Ctrl+Shift+V で貼り付けなくても、話し終えたら自動で Claude Code に入力されないか」というやつです。

Wayland 環境ではほぼ無理です。

X11 には xdotool type "テキスト" でアクティブウィンドウに入力を送れるツールがあります。Wayland にはそれがありません。Wayland のセキュリティモデルは、バックグラウンドのプロセスが他のウィンドウのキーイベントを読んだり送ったりすることを原則禁止しています。これはセキュリティ上の意図的な設計です。

wtype（Wayland 版 xdotool）をインストールすれば技術的には可能ですが、「Claude Code のウィンドウがフォーカスされている状態で発火させる」という別の問題が残ります。tmux 環境であれば tmux send-keys という回避策もあります。ただ「別ペインが必要」という手間は変わらず、読者への再現性という点でも複雑すぎる。

現実的な運用は、クリップボードにコピー → Ctrl+Shift+V で貼り付け、です。

今の状態で使えるかというと、使えます。話す → 待つ → 貼り付ける、という3手間はありますが、日本語で長い文を入力するよりは楽な場面もあります。

ただ「これを導入してください」と人に勧められるかというと、難しい。plughw の話、JSON パースの話、WAYLAND_DISPLAY の話——これを一人でデバッグするコストは、節約できる時間に見合わないかもしれません。

Claude Code の /voice が日本語対応されれば、この記事に書いたことは全部不要になります。GitHub の Issue は上がっているので、時間の問題だとは思っています。

それを待ちながら、手元では whisper.cpp が動いているので使えるときは使う、という状態で落ち着きました。

「できることとできないことをはっきりさせてから使う」——DIYはそういうものです。

ようは浪漫だ。Linuxユーザーは踏み込む前に、一度この記事を見て進むかどうか判断してほしい。

Q. Windows や macOS でも同じ方法は使えますか？ whisper.cpp 自体は Windows/macOS でも動きます。ただし録音コマンド（arecord）は Linux 固有です。macOS なら sox、Windows なら PowerShell での録音に置き換えが必要です。Wayland の問題はそもそも発生しないため、自動入力の統合は macOS/Windows の方が簡単です。

Q. GPU なしでどれくらいの精度ですか？ medium モデルで日本語の精度は実用レベルです。今回の動作確認では「マイクテスト、マイクテスト、マイクテスト、マイクテスト」がほぼ完全に認識されました。専門用語や固有名詞は落ちることがありますが、Claude Code へのプロンプト入力として使う分には問題ない精度です。

Q. Claude Code の公式 /voice が日本語対応したら、このセットアップは不要になりますか？ はい、不要になります。whisper-server の起動管理やスクリプトのメンテナンスを考えると、公式対応の方が圧倒的に楽です。この記事の手順は「公式対応を待てない場合の一時的な回避策」として位置づけています。

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！

• Blogパスワードも SSH 鍵も、自宅に置いておく——Vaultwarden + Bitwarden SSH Agent で作る個人セキュリティ基盤クラウドパスワードマネージャーへの不安と ~/.ssh/ ファイル管理の煩雑さを、Vaultwarden（RasPi 5 Docker）と Bitwarden SSH Agent の組み合わせで解決した実録。GNOME Keyring の競合解消・毎回確認ダイアログによるプロンプトインジェクション対策・snap バージョン非依存のソケット設定まで解説。→
• Blog45%高速化・メモリ150MB削減——Claude Code の--resume が変わったClaude Code v2.1.77と2.1.78の変更点を整理。128kトークン出力・--resume 45%高速化・セキュリティ修正2件など、実際に体感できる変更を中心に解説。→
• Blog3秒で終わる攻撃、Claude Code と Codex CLI に潜んでいた3つの穴git cloneして起動するだけでAPIキーが流出していた——Claude CodeとCodex CLIに存在した3つのCVEの仕組みを解説。CVE-2026-21852・CVE-2025-59536・CVE-2025-61260はいずれも修正済み。バージョン確認方法と30秒でできる安全確認手順も紹介。→