キーボードで文字を打つことに、どこか限界を感じたことはありませんか。長時間の入力で手首や肩が痛む、思考のスピードに指が追いつかない、そんな違和感を覚えたことがある方は少なくないはずです。

かつて音声入力は「誤認識が多くて使えない」「一部の人向けの特殊な技術」というイメージがありました。しかし近年、Whisperをはじめとする高精度な音声認識モデルと、大規模言語モデルの進化によって、その評価は一変しています。

今や音声入力は、単なる文字起こしではなく、文章作成やコーディング、情報整理までを一気に加速させる生産性ツールへと進化しました。MacやWindowsの標準機能、専用アプリやハードウェアを組み合わせることで、思考をほぼリアルタイムでデジタル化できます。

本記事では、最新の音声入力技術の仕組みから主要モデルの違い、プラットフォーム別の最適解、実践的な活用法までを整理します。ガジェットやツールが好きな方が、明日から試したくなる具体的なヒントを得られる内容です。

キーボード中心の作業スタイルから一歩踏み出し、声で生産性を高める選択肢を知ることで、あなたの作業環境は確実に変わります。

なぜ今、音声入力が再評価されているのか

音声入力が再評価されている最大の理由は、長年ボトルネックだった「精度」と「使い勝手」が、2020年代半ばに入って臨界点を超えたからです。かつての音声入力は、誤認識の修正に手間がかかり、結果としてキーボードより遅くなる場面が少なくありませんでした。しかし現在は、深層学習、とりわけTransformerを基盤とするEnd-to-End型音声認識の普及により、人が自然に話す速度とほぼ同じテンポで文字化できる水準に到達しています。

この変化を裏付ける代表例が、OpenAIのWhisperや国産のReazonSpeechです。Hugging Faceの公開ベンチマークによれば、最新世代のモデルは日本語においても文字誤り率が一桁台にまで低下しています。これは「多少の言い間違いや言い淀みがあっても、文脈から正しく補正される」ことを意味し、ユーザー側が機械に合わせて話す必要がなくなった転換点だと言えます。

もう一つ重要なのが、音声入力が単なる入力手段ではなく、思考を外部化するインターフェースとして再定義されつつある点です。大規模言語モデルと統合された現在の音声入力は、「話した内容をそのまま文字にする」だけでなく、口語表現を整えたり、用途に応じた文体へ自動変換したりします。スタンフォード大学をはじめとするHCI研究でも、人間の認知負荷はタイピングより発話の方が低いという指摘があり、音声入力は認知科学的にも合理的な選択肢として見直されています。

観点 従来の音声入力 現在の音声入力
認識精度 誤認識が多く修正必須 文脈理解により高精度
話し方の制約 区切って話す必要あり 自然な会話調で可能
役割 補助的な入力手段 思考速度に近い主入力

加えて、働き方の変化も見逃せません。リモートワークや個人制作が一般化し、「一人で大量のアウトプットを生み出す」環境が整ったことで、入力効率の差が成果に直結するようになりました。経済評論家の勝間和代氏が、音声入力によって執筆速度が大幅に向上したと述べているように、音声入力は生産性向上の実証例を伴って語られる段階に入っています。

さらに医学・人間工学の観点からも再評価が進んでいます。米国の労働衛生研究では、キーボード作業が腱鞘炎など反復性ストレス障害の主要因であることが以前から指摘されてきました。過去は精度不足ゆえに限定的な解決策とされていましたが、現在の水準であれば修正作業そのものが激減し、手や肩への物理的負荷を実質的にゼロに近づけられる現実的な代替手段になっています。

つまり今の音声入力は、「昔からあったが使えなかった技術」が偶然復活したのではありません。AIの進化、働き方の変化、健康意識の高まりという複数の潮流が重なり、ようやく社会的・技術的に噛み合った結果として再評価されているのです。この文脈を理解することが、音声入力を単なる便利機能ではなく、次世代の標準インターフェースとして捉える第一歩になります。

音声認識技術の進化とディープラーニングの影響

音声認識技術の進化とディープラーニングの影響 のイメージ

音声認識技術がここ数年で飛躍的に実用化された最大の要因は、ディープラーニング、とりわけ深層ニューラルネットワークの進化にあります。かつての音声入力は、ゆっくり区切って話さなければならず、少し発音を誤るだけで意味不明な文章になることも珍しくありませんでした。しかし現在では、**人が自然に話す速度や癖を前提にしても高精度に認識できる段階**へと到達しています。

この変化の背景には、音声認識モデルの構造そのものが根本から変わったという事実があります。2010年代以前は、音響モデル・発音辞書・言語モデルを分離した統計的手法が主流でしたが、ディープラーニングの導入によって、それらを単一のニューラルネットワークで処理するEnd-to-Endモデルが現実的になりました。スタンフォード大学やGoogleの研究で示されたように、深層モデルは文全体の文脈を保持できるため、同音異義語の判断精度が大幅に向上しています。

特に重要なのがTransformerアーキテクチャの登場です。注意機構を用いることで、モデルは発話中のどの情報が重要かを動的に判断できるようになりました。その結果、「はし」を「橋」と書くべきか「箸」と書くべきかを、前後の文脈から自然に推測できます。これは従来のN-gram型言語モデルでは困難だった点であり、**日本語音声認識の品質を一段引き上げた決定的要素**だと言えます。

時代 主な技術 ユーザー体験
〜2010年代前半 HMM・GMM 区切った発話が必要、誤認識が多い
2010年代後半 RNN・LSTM 連続発話が可能、文脈理解が向上
2020年代 Transformer・LLM統合 自然会話レベル、意図理解へ拡張

さらに近年は、大規模言語モデルとの統合が進み、音声認識は単なる文字起こしを超えています。OpenAIのWhisperに代表されるモデルは、数十万時間規模の音声データで学習され、雑音や言い淀みを含む実環境に強い耐性を持っています。加えてLLMと組み合わせることで、多少の認識ミスがあっても文全体の意味を補正できるようになりました。

この進化により、ユーザーは正確に話すことよりも「何を伝えたいか」に集中できます。専門家の間では、これはHuman-Computer Interactionにおける質的転換だと評価されています。MITのHCI研究でも、入力精度の向上が思考の中断を減らし、生産性を直接的に高めることが示唆されています。**音声認識は今や補助的機能ではなく、知的作業を加速する中核インターフェース**として位置づけられつつあります。

Whisperが業界標準になった理由

Whisperが業界標準になった最大の理由は、単なる認識精度の高さではなく、研究成果・実装・配布形態のすべてを含めた総合完成度の高さにあります。音声認識は長らく研究室レベルと実用レベルの乖離が大きい分野でしたが、Whisperはその断絶を一気に埋めた存在でした。

特に決定的だったのが、OpenAIが公開した68万時間規模の多言語教師ありデータで学習されたモデルという事実です。スタンフォード大学やMITなどの研究者が指摘しているように、実環境に近いノイズを含む大量データでの学習は、ラボ環境での高精度モデルよりも実用耐性を大きく向上させます。**Whisperは会議室、屋外、低品質マイクといった現実的な条件下でも破綻しにくい設計思想を最初から備えていました。**

また、Whisperは音声認識モデルでありながら、言語モデル的な性質を強く持っています。これにより、日本語のように同音異義語が多く、文脈依存度が高い言語でも安定した結果を出せるようになりました。Hugging Faceが公開している日本語ASRベンチマークでも、Whisper Large系は継続的にエラー率を改善し、研究用途と実務用途の両方で参照点として扱われています。

観点 Whisperの特徴 業界への影響
学習データ Web由来の超大規模多言語音声 実環境耐性が高い
公開形態 オープンソース 研究・製品双方で採用加速
モデル構成 End-to-End＋強い文脈理解 多言語で一貫した性能

もう一つ重要なのが、オープンソースとして公開された点です。GoogleやAmazonの音声認識がAPI提供を中心としているのに対し、Whisperはモデルそのものを誰でもローカルで動かせる形で提供されました。これにより、大学研究者、スタートアップ、個人開発者までが同一モデルを前提に改善や検証を行うエコシステムが形成されました。**結果として「比較するならWhisper基準」という暗黙の共通認識が業界内に生まれたのです。**

さらに、モデルサイズの段階的な用意も普及を後押ししました。TinyからLargeまで用途に応じて選択できるため、GPUを持たない開発者でも試せる一方、プロダクションではLarge系で最高精度を狙える柔軟性があります。OpenAI自身が論文とコードを同時に公開したことで、再現性の高い研究ベースラインとしても機能しました。

加えて、後続のLLM統合時代との親和性も見逃せません。Whisperは単なる音声文字変換に留まらず、生成モデルとの接続を前提にした出力品質を備えていました。Google ResearchのHCI分野の論考でも、音声入力は単体性能よりも後段の知的処理との接続が重要だとされています。**Whisperはその接続点として、最初から最適化されたASRだったことが、業界標準化を決定づけました。**

こうしてWhisperは「最も正確なモデル」ではなく、「最も参照され、最も使われ、最も拡張されたモデル」として標準になりました。精度、公開姿勢、実装容易性、将来拡張性。そのすべてを同時に満たした点こそが、Whisperが業界標準と呼ばれる本質的な理由です。

日本語特化モデルReazonSpeechの強み

日本語特化モデルReazonSpeechの強み のイメージ

日本語特化モデルであるReazonSpeechの最大の強みは、日本語という言語の癖や実運用環境を前提に設計されている点にあります。多言語対応を目的とした汎用モデルとは異なり、日本語だけに学習資源と設計思想を集中させた結果、日常利用で体感できる差が生まれています。特にガジェットやツールを使い込む層にとって、この差は生産性に直結します。

ReazonSpeechは、日本のテレビ放送録画データを中心に構築された約19,000〜35,000時間規模の日本語音声コーパスで学習されています。言語処理学会で公開された資料によれば、このコーパスにはニュース、バラエティ、対談など多様な話し言葉が含まれており、書き言葉と話し言葉の揺らぎを前提にした学習が行われています。そのため、「えー」「あのー」といったフィラーを含む自然発話でも、文脈を崩さずに文字化できる点が特徴です。

精度面では、JSUT Basic 5000などの標準ベンチマークにおいて、ReazonSpeech v2系が文字誤り率8%台を記録しています。これはWhisper Large v2と同等、条件によっては上回る水準です。特に日本人の姓や地名、近年の流行語など、日本固有の語彙に対する強さは、学習データの質と量がそのまま反映された結果だと評価されています。

観点 ReazonSpeech 汎用モデル
学習データ 日本語音声に特化 多言語混在
固有名詞対応 日本向けに強い 誤認識が出やすい
推論速度 高速設計 モデルサイズ依存

もう一つ見逃せないのが推論速度です。ReazonSpeech v2.1ではZipformerやFast Conformerといった軽量かつ高速なアーキテクチャが採用され、パラメータ数を抑えながら実用精度を維持しています。NVIDIA NeMoの検証では、Whisper Largeと比べて数倍以上の処理速度が報告されており、リアルタイム音声入力や長時間録音の一括処理で明確な優位性があります。

さらに、ONNX形式で提供されている点も重要です。これによりGPUを搭載していないノートPCや、将来的なスマートフォン実装でも高速動作が可能になります。クラウドに音声を送信せずに完結するオンデバイス処理は、プライバシーやレイテンシを重視するユーザーにとって大きな価値を持ちます。

総じてReazonSpeechは、「日本語を正確に、速く、ローカルで扱いたい」という明確なニーズに真正面から応えるモデルです。ベンチマーク上の数値だけでなく、実際に使ったときの違和感の少なさこそが、日本語特化モデルとしての真価だと言えるでしょう。

クラウド音声認識APIの現状と立ち位置

クラウド音声認識APIは、現在も多くのサービスやプロダクトの基盤として利用されていますが、その立ち位置は数年前と比べて大きく変化しています。かつては高精度な音声認識を実現する唯一の選択肢がクラウドであり、個人や企業はGoogleやAmazon、IBMといった巨大ベンダーのAPIに依存せざるを得ませんでした。しかし、2024年以降はOSSモデルとオンデバイスAIの急速な進化により、その優位性は相対化されつつあります。

代表的な例がGoogle Cloud Speech-to-Textです。Googleの研究成果に基づくこのAPIは、ストリーミング認識の安定性や多言語対応で高い評価を得ています。一方で、外部ベンチマークでは日本語の単語誤り率が16〜20%前後と報告されており、Whisper Large系の8%台と比較すると、純粋な認識精度では見劣りする場面があると指摘されています。Google自身の論文でも、実利用では精度だけでなくレイテンシや運用性が重要だと述べられています。

Amazon Transcribeも同様に、コールセンター分析や字幕生成など業務用途で強みを持ちます。話者分離やタイムスタンプ付与といった周辺機能は充実していますが、リアルタイム執筆や個人の知的生産においては、レスポンス遅延とコストが障壁になるケースがあります。1分単位で課金される料金体系は、長時間利用では無視できない負担になります。

API提供元 主な強み 現在の課題
Google 安定したストリーミング処理 日本語精度はOSSに劣る場合
Amazon 業務向け分析機能が豊富 コストとレイテンシ
IBM エンタープライズ品質 一般利用では過剰性能

近年注目されているのがIBMのGranite Speechです。Hugging FaceのOpen ASRリーダーボードによれば、Granite Speech 3.3はトップクラスの誤り率を記録しており、クラウド発のモデルが再び存在感を示しています。これは、エンタープライズ向けに磨かれてきたモデルがオープン化され、評価可能になった点で象徴的です。

ただし、クラウドAPI全体に共通する制約も明確です。第一に、音声データを外部サーバーへ送信する必要があるため、**機密情報やプライバシーの懸念が常につきまとう**点です。第二に、ネットワーク遅延は避けられず、思考速度に同期した入力という観点ではローカル処理に劣ります。これらはGoogleやAmazon自身も公式ドキュメントで認めているトレードオフです。

その結果、クラウド音声認識APIは現在、「万能の最適解」ではなくなっています。大量データの一括処理、コールセンター分析、多人数会議の字幕生成など、スケールと管理性が重視される領域では依然として不可欠です。一方で、個人の執筆や開発といった即時性と集中力が求められる用途では、オンデバイス型やハイブリッド型に主役の座を譲りつつあると言えるでしょう。

macOS・Windows別 音声入力ツールの最適解

音声入力はエンジン性能だけでなく、OSとの統合度で体験が大きく変わります。macOSとWindowsでは設計思想が異なるため、最適解も分かれます。**重要なのは「最も精度が高いツール」ではなく「最もストレスなく毎日使える構成」を選ぶこと**です。

まずmacOS環境では、現時点の完成度という観点でSuperwhisperが頭一つ抜けています。OpenAI Whisper Large V3 Turboをローカル実行でき、レイテンシが極めて低い点が決定的です。音声終了から文字入力までの遅延が体感でほぼゼロに近く、思考が分断されません。

特に注目すべきは、アプリや入力フィールドの文脈を理解した出力です。Apple公式の音声入力は汎用性は高いものの、文体制御や専門用語対応では限界があります。一方Superwhisperは、テクニカルライティングやメール、コード入力など用途別に最適化でき、Hugging Faceのベンチマークで高評価を得ているWhisper Large V3系の精度をそのまま活かせます。

項目 macOS最適解 理由
推奨ツール Superwhisper ローカル処理と高速性
認識エンジン Whisper Large V3 Turbo 日本語CERが低く安定
向いている用途 執筆・開発・長文入力 文脈理解と整形能力

一方Windows環境では、サードパーティ製ツールを追加しなくても、Windows 11標準の音声入力が現実的な選択肢になっています。Microsoftの公式サポートでも案内されている通り、Win＋Hで即起動でき、AzureベースのASRにより句読点が自動挿入されます。

実測レビューや専門家の評価でも、短〜中文の入力における安定性は非常に高く、特にビジネス文書との相性が良好です。Googleドキュメント音声入力よりも日本語の句点処理が自然だという指摘もあります。**設定で「句読点の自動挿入」を有効にするだけで完成度が一段上がります**。

ただしWindows標準機能は拡張性が低く、専門用語辞書や文体制御は弱めです。そのため、議事録やメール作成など定型用途には最適ですが、創作や高度な編集にはmacOSほどの自由度はありません。

項目 Windows最適解 理由
推奨ツール Windows 11 音声入力 標準搭載で即戦力
認識基盤 Azure Speech 安定した日本語処理
向いている用途 メール・議事録 修正が少ない

まとめると、**macOSは拡張性と速度を重視するプロ向け、Windowsは即応性と手軽さを重視する実務向け**という住み分けが見えてきます。人間工学やHCI研究でも、入力遅延の少なさが思考流量を維持する鍵だと指摘されています。自分の作業時間の大半を占めるOSに合わせて、最適解を選ぶことが生産性を左右します。

専用ハードウェアが変える音声入力体験

音声入力の進化はソフトウェアやAIモデルに注目が集まりがちですが、体験の質を決定的に左右するのは専用ハードウェアの存在です。キーボードやスマートフォンのマイクを流用するのではなく、音声入力を前提に設計されたデバイスは、入力行為そのものを別次元に引き上げます。**操作の即時性、録音品質、持ち歩ける安心感**は、ソフトウェアだけでは代替できない価値です。

代表例として注目されているのが、AI連携を前提にしたボイスレコーダーと、伝統的な高音質レコーダーという二つの潮流です。前者は「考えた瞬間を逃さない」ことに主眼を置き、後者は「確実に残す」ことを最優先します。この思想の違いが、音声入力体験の性格を大きく分けています。

観点 AI連携型レコーダー 高音質レコーダー
操作性 ワンタッチ録音、常時携帯 物理ボタン中心で誤操作が少ない
音声活用 自動文字起こし・要約 後処理でASRに投入
信頼性 通信環境や契約に依存 オフライン完結

AIネイティブ世代のデバイスとして知られるPLAUD NOTEは、その象徴的な存在です。物理スイッチ一つで録音を開始でき、通話や対面会議を即座に記録します。録音後はクラウド上でWhisper系の音声認識と大規模言語モデルが連携し、文字起こしから要約までが自動化されます。スタンフォード大学をはじめとするHCI研究でも、入力までのステップ数を減らすことが認知負荷を下げ、アウトプット量を増やすと指摘されていますが、まさにその理論を体現した設計です。

一方で、SonyのICD-TX660のような極小・高音質レコーダーは、別の価値を提供します。約30gという軽さと高性能マイクにより、長時間の会議や講義でも安定した音質を確保できます。後からPCに取り込み、WhisperやReazonSpeechで一括処理するワークフローは、通信環境に左右されず、ハルシネーションのリスクも低減できます。音声工学の分野では、入力音質が文字起こし精度に直結することが広く知られており、これはIEEEの音声処理関連論文でも繰り返し示されています。

専用ハードウェアの本質的価値は、音声入力を「意識的な作業」から「反射的な行為」に変える点にあります。

スマートフォンを取り出してアプリを起動する一手間が消えるだけで、アイデアの取りこぼしは劇的に減ります。特にガジェットやツールに関心の高いユーザーほど、複数デバイスを使い分ける環境にいるため、この差は無視できません。専用ハードウェアは単なる周辺機器ではなく、音声入力を日常の思考プロセスに溶け込ませるための触媒として機能しています。

文章作成とコーディングにおける実践ワークフロー

文章作成とコーディングにおける実践ワークフローでは、音声入力を単なる入力手段ではなく、思考をそのままアウトプットに変換するパイプラインとして設計することが重要です。最新の音声認識は、話し言葉の揺らぎや言い直しを前提に設計されており、完璧に話そうとするほど生産性は下がります。

実際、音声入力を長年活用している論者として知られる勝間和代氏によれば、執筆速度は体感で数倍に向上するとされています。背景には、キーボード入力時に発生する思考と指の同期ズレが、音声ではほぼ消失する点があります。

文章作成では、短い文を積み重ねる話し方が安定した結果を生みます。一文を欲張らず、句点ごとに思考を区切って話すことで、認識ミスが起きても修正範囲を最小化できます。また、画面を逐一確認せず、段落単位で話し切ってからまとめて見直す非同期確認が、思考の流れを止めません。

工程 音声入力時のポイント 期待できる効果
構想・下書き 口語で一気に話す 思考速度に近いアウトプット
整理・整形 文を短く分割 修正コストの低減
推敲 キーボード併用 精度と完成度の向上

コーディングにおいては、さらに発想の転換が求められます。コードを一文字ずつ音声で入力しようとすると破綻しますが、意図と仕様を自然言語で伝えることで状況は一変します。たとえば「この関数にエラーハンドリングを追加して、失敗時はログを出力する」と話すだけで、AI搭載エディタが文脈を理解し、適切な実装案を提示します。

このとき重要なのが、音声認識の誤変換を過度に恐れない姿勢です。Whisper系モデルは無音や曖昧な発話で誤出力する場合がありますが、そのテキストを受け取る側の大規模言語モデルが、現在のコードやファイル構造を踏まえて補正します。認識の粗さを推論で埋める設計が、現代的ワークフローの核です。

文章でもコードでも共通するのは、音声入力を導入した瞬間に完成度を求めないことです。まずは量を高速に生成し、その後に整える。この順序を徹底することで、音声という最速の出力手段が、知的生産の主役として機能し始めます。

腱鞘炎・RSI対策としての音声入力

長時間のキーボード作業によって引き起こされる腱鞘炎やRSIは、ガジェットやツールを日常的に使いこなす人ほど避けて通れない問題です。音声入力は、この物理的負荷そのものを断ち切る数少ない手段として、近年あらためて医学的・人間工学的観点から注目されています。

米国の労働安全衛生分野の研究によれば、反復的なキー操作は手指や手首、前腕に慢性的な炎症リスクをもたらし、入力時間が長いほど発症率が高まるとされています。一方、音声入力はこれらの部位をほぼ完全に休ませることができ、負荷をゼロに近づけられる唯一の入力方式だと位置づけられてきました。

過去には「認識ミスを修正するために結局キーボードを多用してしまう」という課題がありましたが、Whisper以降の高精度ASRでは事情が大きく変わっています。文字誤り率が一桁台に収まり、さらに音声コマンドで削除や修正が可能になったことで、修正作業そのものもハンズフリー化が進みました。

観点 キーボード入力 音声入力
手指・手首の負荷 高い 極めて低い
長時間作業時の疲労 蓄積しやすい 分散しやすい
RSI予防効果 限定的 高い

英国の支援団体AbilityNetも、RSIの初期症状が出た段階での音声入力導入を推奨しています。特に「利き手が痛むから反対の手で操作する」という対処は、慣れない動作によって新たな障害を招くリスクがあるため、入力手段そのものを変える方が安全だと指摘されています。

重要なのは完全移行ではなく、負荷を減らす時間を日常に組み込むことです。

実践的には、アイデア出しやドラフト作成など入力量が多い工程を音声入力に任せ、細かな推敲だけを短時間キーボードで行う使い分けが有効です。このハイブリッド運用は、Guardian紙でもRSI対策として現実的かつ持続可能な方法として紹介されています。

音声入力は生産性向上のための先進機能であると同時に、身体を守るための予防医療的ツールでもあります。手に違和感を覚え始めた段階で導入することが、結果的に作業寿命を大きく延ばす選択になります。

音声入力の未来とマルチモーダル化の可能性

音声入力の未来を語る上で避けて通れないのが、マルチモーダル化という大きな潮流です。これは単に音声認識の精度が向上するという話ではありません。音声が他の情報モダリティと結合し、知的作業の入り口そのものが再定義される変化を意味します。

現在主流の音声入力は、音声をテキストへ変換する単線的なプロセスです。しかしOpenAIのGPT-4oやGoogleのGeminiが示しているのは、音声・画像・テキストを同時に理解し、相互に補完させる設計思想です。音声だけでは曖昧になりがちな指示も、視覚情報が加わることで一気に解像度が上がります。

入力形態 理解できる情報 得意な作業領域
音声のみ 言語・文脈 文章作成、要約、指示出し
音声＋視覚 言語・空間・対象 修理、設計、現場作業

例えばガジェットの分解修理中にカメラを向けながら「このコネクタを外して交換します」と話すだけで、AIが対象部品を特定し、作業ログや手順書を自動生成する世界が想定されています。これは研究機関や企業のデモ段階にとどまらず、実運用を前提とした設計が進んでいます。

さらに注目すべきはパーソナライズとの融合です。NTTが発表している個人性再現対話技術によれば、話し方や語彙の癖を学習したAIは、短い発話からでも本人らしいアウトプットを生成できます。音声入力は操作ではなく、思考の断片を渡す行為へと変わっていくのです。

この変化は生産性の向上に直結します。視線は対象物に、手は作業に、入力は声で行うという分業が成立するからです。キーボード中心のインターフェースでは不可能だった同時並行性が、マルチモーダル音声入力によって現実のものになります。

音声入力の未来は、静かにしかし確実に広がっています。テキストを書くための手段から、世界を操作するための中核インターフェースへ。その進化の鍵を握るのが、マルチモーダル化なのです。

参考文献