音声入力っていうのは基本的に、自分がしゃべっているものをそのまま入力してくれるので、間違っちゃいけないみたいなプレッシャーがあるじゃないですか。その一方で、音声を文字起こしするっていうのは、音声を入力している時には、ある程度内容や、不要な間とかが残っててもいいみたいな前提に立ってると思うので、入力するときの自由度の違いみたいな。

LLMにおけるtemperatureみたいな違いみたいなものが、ここで発生してるんじゃないかなぁと