「誤字だけ直したいのに、社外秘だからChatGPTに貼れない」——そう感じたことはないでしょうか。ChatGPTやClaudeを業務で毎日使う私でも、顧客情報の混じった文面は外に出すのをためらいます。「ローカルLLM 文章校正」は検索数こそまだ小さい言葉ですが、その需要は確実にあります。
結論から言うと、誤字・てにをは・冗長なら手元で実用、込み入った文脈の仕上げはクラウドが上——MacのOllamaで自分の文章を校正させた率直な感触です。本記事は校正の実力と指示の出し方、そしてクラウドとの使い分けに絞って整理します。
とりあえず手元で1回試したい方は、すでにOllamaなどでローカルLLMを動かせる前提で読み進めてください。インストールやモデル選びがまだの方は、先に親記事のLLM ローカルの基礎を読んでから戻ってくると迷いません。
01 — 結論：誤字・冗長は手元で実用、文脈仕上げはクラウドが上
📖 この章で使う用語
- ローカルLLM：自分のPCで動かすLLM（大規模言語モデル）の総称。「クラウドAI＝レンタカー、ローカルLLM＝自家用車」のイメージ。
- クラウドAI：ChatGPT / Claude / Gemini のように、運営会社のサーバーで動き、ネット越しに使うAI。
結論を先に3行でまとめます。
- 誤字脱字・てにをは・冗長表現の言い換えなら、ローカルLLMでも手元で十分使えました。
- 込み入った文脈の整合や、長い文章全体の一貫性は、クラウドAI（ChatGPT / Claude）のほうに分があります。
- そして最大の価値は精度ではなく、社外秘や個人情報を含む文章を、外部に出さずに手元で直せることです。
この記事は「校正にどう使うか」に集中します。Ollamaの入れ方やどのPCがいるか、どのモデルを選ぶかといった土台の話は、親記事のLLM ローカルの基礎に詳しく書いたので、そちらへ送ります。小説や物語づくりに使いたい方はローカルLLMで小説を書く話が近いです。
立ち位置を正直に書いておくと、私がローカルLLMで文章校正をしたのは、自分のPCで触って試した範囲です。一方で、ChatGPTやClaudeでの校正は業務で日常的に使っています。だからこの記事では「手元で試して分かったこと」と「公開情報から整理したこと」を分けて書きます。「ローカルがクラウドと同じ精度」とは申し上げません。
02 — そもそもローカルLLMで文章校正はできるのか
📖 この章で使う用語
- 文章校正：誤字脱字・てにをは・冗長表現・トーンなどを直す作業。本記事では「AIに直させる」意味で使います。
- ハルシネーション（hallucination）：AIがもっともらしく事実でないことを書く現象。校正では「直っていないのに直したと言う」「勝手に文意を変える」形で出ます。
「できるか・できないか」の二択ではなく、得意な校正と苦手な校正がある、というのが正直な答えです。
私が手元の文章（このブログの下書きと、自分宛のメモ）をローカルLLMに渡して試したとき、得意だと感じたのは次のあたりでした。
- 誤字脱字の検出：「実装す」「使つて」のような明らかな打ち間違いは、わりと拾ってくれました。
- てにをは：「資料を作成して、お客様へ送付した」を「資料を作成し、お客様に送付しました」のように整える指摘は安定していました。
- 冗長表現の言い換え：「〜することができます」を「〜できます」に縮める、という指摘は手元でもよく出ました。
一方で、苦手だと感じたのはこのあたりです。
- 込み入った専門文脈の整合：前の段落で定義した言葉を後ろで取り違える、という取りこぼしが起きました。
- 長い文章全体の一貫性：数千字をまとめて渡すと、後半の指摘が雑になる傾向がありました。
- 取りこぼしと過剰修正の同居：直さなくていい固有名詞を「誤字では」と指摘してくる、という場面もありました。
ここで一つ正直に書いておくと、ローカルLLMでも、もっともらしく間違える「ハルシネーション」は起きます。校正の文脈では「直っていないのに直したと言い切る」形で出ます。だからこそ、後のセクション 7で書くとおり、最後は人が目で確かめる前提で使っています。「絶対にクラウド並みに直る」とは言えませんが、誤字や冗長を手早く見つける一次校正としては、私の手元では十分役に立ちました。
03 — なぜわざわざローカルで校正するのか——プライバシー・オフライン・無料の3動機
📖 この章で使う用語
- PII（Personally Identifiable Information：個人を特定できる情報）：氏名・住所・連絡先など、その文章から個人が特定できてしまう情報。
- オフライン：インターネットにつながっていない状態でも動くこと。ローカルLLMはネット不要で動きます。
ローカルで校正する一番の理由は、精度ではなく**「外部に出さずに直せること」**です。動機を分けると3つあります。
第一に、社外秘や個人情報を含む文章を、手元で完結できること。これが最大の動機です。第二に、オフラインでも動くこと。第三に、ランニングの課金が止まっても動き続けることです。順に見ていきます。
外部送信しない＝手元で完結することの安心感
クラウドAIで文章を校正するときは、当然ですがその文章が一度ネットの向こうへ届きます。多くのサービスは入力を学習に使わない設定を用意していますが、「そもそも外に出したくない文面」というものは確かに存在します。人事に関わるドラフト、契約書の下書き、顧客名やメールアドレスが入った文面などです。
営業を7年やっていたころ、お客様の名前や取引の中身が載った資料は、社内でも置き場所を選んで扱っていました。誰でも見られる場所には置かない、という当たり前の感覚です。その感覚をそのまま持ち込むと、「この文面は手元から出さずに直したい」という場面があるのは自然だと思います。ローカルLLMなら、文章はあなたのPCの中だけで処理されます。ネットの向こうへは届きません。
ただし、手元で完結するからといって何でも自由、というわけではありません。会社の文書であれば、たとえローカルでも社内規程や情シスの確認が必要なことがあります。この点はセクション 9で改めて触れます。
オフライン・課金停止に強い
ローカルLLMはネットにつながっていなくても動きます。社内ネットワークの制約が厳しい環境や、移動中で電波が不安定なときでも、手元で校正できるのは地味に助かりました。
もう一つは課金まわりです。クラウドAIの校正は、無料枠を超えれば従量課金やサブスクの費用がかかります。ローカルLLMは、いったん動く環境を作ってしまえば、月々の利用料という意味では止まりません（この「無料」の正体は次のセクション 4で正直に整理します）。
04 — 「無料」の実態——ソフトは無料、コストはインフラ側にある
📖 この章で使う用語
- インフラ：システムを動かす土台のこと。ここではローカルLLMを動かすPCそのものや電力を指します。
「ローカルLLMなら無料で校正できる」はおおむね正しいのですが、無料の意味がクラウドの無料枠とは違う、という点だけ押さえておくと損をしません。
OllamaやモデルそのものはOSS（無料で使えるソフト）として配布されていて、ダウンロード料金はかかりません。ここは確かに無料です。ただ、動かすPC・電力・最初のセットアップにかける時間というコストは残ります。つまり費用が消えるのではなく、クラウドの「月いくら」から、手元のPCという「インフラ側」に移っているだけ、という見方が近いです。
私が手元で動かしてみた所感としては、「課金画面を気にせず何度でも校正をやり直せる」気軽さはローカルならではでした。一方で、その気軽さは「すでにそこそこ動くPCを持っている」という前提があってこそです。これから新しくPCを用意するなら、その購入費まで含めて考えるのが現実的だと思います。具体的にどのくらいのPCがいるか、という話はLLM ローカルの基礎に整理したので、そちらをご覧ください。
05 — 校正プロンプトの型——「誤字脱字 / てにをは / 冗長 / トーン」の4観点で渡す
📖 この章で使う用語
- プロンプト：AIへの指示文。校正では「何をどう直してほしいか」を伝える文です。
- 出力フォーマット指定：「修正後の文だけ出して」「変更点を箇条書きで」など、答えの形を先に指定する小ワザ。
校正の精度は、指示の出し方でけっこう変わります。私が手元で試して効いたのは、観点を一度に全部やらせず、1つずつ分けて渡すことでした。
一度に「全部きれいに直して」と頼むと、何をどう直したのかが分かりにくく、勝手に文意まで変えられることがあります。そこで、誤字脱字・てにをは・冗長表現・トーンの4観点に分け、観点を指定して渡すようにしたら、指摘が追いやすくなりました。
一度に全部やらせず観点を分ける
4観点を分けて渡すときの指示文は、たとえばこんな形です。Ollamaで動かすローカルLLMでも、クラウドAIでも、考え方は同じです。
# 観点1：誤字脱字だけを見てほしいとき
次の文章について、誤字・脱字・変換ミスだけを指摘してください。
文意は変えず、指摘箇所と修正案だけを箇条書きで挙げてください。
【文章】
（ここに自分の文章を貼る）# 観点3：冗長表現だけを縮めてほしいとき
次の文章で、冗長な言い回しだけを簡潔に言い換えてください。
意味は保ったまま、変更前→変更後の形で並べてください。
新しい情報の追加や、文意の変更はしないでください。
【文章】
（ここに自分の文章を貼る）私の場合、最初は「校正して」とだけ渡していましたが、「冗長表現だけ」と絞ったときのほうが、出力がぶれず追いやすいと感じました。営業時代に、お客様へのお願いを一度に詰め込むより一件ずつ整理して伝えたほうが伝わった、という感覚に少し似ています。
出力フォーマットを先に指定する
もう一つの小ワザは、答えの形を先に指定することです。「修正後の文章だけ出して」「変更点を箇条書きで」と先に伝えておくと、余計な前置きが減り、結果を本文に反映しやすくなります。
次の文章のてにをはを整えてください。
出力は「修正後の全文」だけにしてください。解説や前置きは不要です。
【文章】
（ここに自分の文章を貼る）これは、私が業務で議事録や資料をAIに整形してもらうときに使っているやり方と同じです。「アクション / 決定事項 / 課題に分けて」のように出力の形を先に渡すと、構造のそろった結果が返ってきます。校正でも同じで、形を先に決めておくと後がラクでした。
06 — 校正に向くモデルの系統（選び方はリンク先へ）
📖 この章で使う用語
- 量子化（quantization）：モデルを軽くして手元のPCで動かしやすくする圧縮技術。詳しくは親記事へ送ります。
校正の精度は、どのモデルを選ぶかでも変わります。ここでは深入りせず、公開情報から整理できる範囲だけ軽く触れます。
日本語の文章を扱うとき、よく名前が挙がるのは Llama 系の日本語特化モデル（Llama-3-ELYZA-JP など）や、Swallow、Gemma、Qwen といった系統です。これらはローカルで動かせるモデルとして言及されることが多いです。ただ、私は校正という一つの用途で、これらを横並びにすべて比較し込んだわけではありません。だから「校正にはこれが絶対」という言い方は避けます。
モデルの選び方、必要なPCのスペック、軽くするための量子化といった話は、一つの記事になるくらいの分量があります。そこはLLM ローカルの基礎に分けて書いたので、本気で選ぶときはそちらを起点にしてみてください。Ollamaそのものの入れ方や操作でつまずいている方は、Ollama の使い方が近いです。
07 — 精度の限界と現実解——「最終確認は人間」を外さない
📖 この章で使う用語
- 過剰修正：直す必要のない箇所まで「直したほうがいい」と指摘してしまうこと。
ローカルLLMの校正には、はっきりとした限界があります。それを正直に知っておくほうが、結果的に安心して使えます。
私が手元で見つけた限界は、主に4つでした。
- 誤検出：正しい表現を「誤りでは」と指摘してくる。
- 過剰修正：直さなくていい固有名詞や言い回しまで書き換えてくる。
- 文脈の取り違え：前後のつながりを読み違えて、文意を変えてしまう。
- ハルシネーション：「直しました」と言いながら、実は直っていない。
実際、私が手元の文章を渡したとき、自分があえて崩した語尾を「整えました」と勝手に直され、トーンが変わってしまったことがありました。これは校正というより書き換えで、こちらの意図とはずれていました。
こうした限界の現実的な回避策は、3つに尽きます。第一に、セクション 5で書いたとおり観点を分けて渡すこと。第二に、長い文章は短く区切って渡すこと。そして第三に、最後は必ず人が目で確認することです。
校正の最終確認は人間が行う、という前提は外さないほうがいいと思います。AIの校正はあくまで一次チェックで、出てきた指摘をそのまま全部のむのではなく、採否は書き手が判断する。重要な文書（契約・公開資料など）であれば、必要に応じて専門の校正・校閲に回す、という余地も残しておくのが安全です。精度は使うモデルや文章によっても変わるので、「100%正しく直る」とは考えないほうが、かえって使いやすくなります。
08 — クラウド校正（ChatGPT / Claude）との使い分け
📖 この章で使う用語
- 一次校正：清書する前の、最初のざっとした見直し。
私はクラウドAI（ChatGPTやClaude）での校正を業務で日常的に使っていて、ローカルLLMでの校正は手元で試した範囲です。両方を触ってみて、機密性と文脈の込み入り具合で使い分けるのが現実的だと感じています。
ざっくり言うと、外に出せない文面の一次校正はローカル、文脈が込み入った最終仕上げはクラウド、という分担です。下の表は、公開スペックの寄せ集めではなく、私が手元で触った体感を中心にまとめたものです。
| 観点 | ローカルLLM（手元で校正） | クラウドAI（ChatGPT / Claude） |
|---|---|---|
| 機密性 | ◎ 外部に出さず手元で完結 | △ 文章が一度ネットへ届く |
| 文脈理解（体感） | △ 込み入った文脈は取りこぼしあり | ◎ 込み入った文脈にも比較的強い |
| 長文の一貫性（体感） | △ 後半が雑になりやすい | ◯ 長めでも崩れにくい |
| オフライン | ◎ ネット不要で動く | × ネット必須 |
| コスト | ソフトは無料、PC・電力はかかる | 無料枠超えは従量 or サブスク |
この表はあくまで私の手元での体感で、使うモデルや文章の種類によって変わります。「どちらが絶対に上」という話ではなく、出せない文面はローカル、込み入った仕上げはクラウドと役割を分ける、という整理がいちばんしっくりきました。
クラウド側のツールそのものの使い方は、Claude の使い方やChatGPT の始め方に分けて書いています。校正の母体としてどう触るかは、そちらが参考になると思います。
09 — 業務・実務で使うときの注意
📖 この章で使う用語
- 情シス：情報システム部門。社内のITやセキュリティのルールを管理する部署。
業務の文書を校正に使うなら、外せない注意が3つあります。私は業務本番でローカルLLMを校正に組み込んで運用しているわけではないので、この章は手元での検証と、一般的に言われていることを合わせて整理します。
第一に、機密文書でも社内規程や情シスの確認は必要だということです。「手元で完結するから何でもOK」ではありません。会社のPCで何を動かしてよいか、どの文書をどう扱ってよいかは、組織ごとにルールがあります。導入の前に、社内の決まりを確認しておくほうが安全です。
第二に、校正結果を鵜呑みにしないこと。セクション 7で書いたとおり、誤検出も過剰修正も起きます。AIが出した指摘の採否は、最後は人が決める。これは業務でも変わりません。
第三に、既存の校正・校閲フローと併用することです。AI校正は、人の目や既存の校正ツールを置き換えるものというより、その前段の一次チェックとして組み合わせるほうが、私の感覚では現実的でした。重要度の高い文書なら、最終的な判断は法務や校閲など、専門の担当に委ねる余地を残しておくのが安心です。
10 — 校正という用途で、どんな場面に効くか
📖 この章で使う用語
- 清書：下書きを整えて、提出・公開できる形に仕上げること。
最後に、ローカルLLMでの校正が実際に効く場面を、私の使い方を中心に2つ紹介します。職種ごとに機械的に並べるのではなく、「校正という用途で、どこに効くか」という目線で書きます。
ひとつ目は、自分が書いた文章を、手元で一次校正してから清書する使い方です。私はこのブログの下書きや、自分宛のメモを、手元のローカルLLMにざっと通してから整えることがあります。やっていることはシンプルで、「冗長表現だけ縮めて」「誤字だけ拾って」と観点を分けて渡し、出てきた指摘のうち納得できるものだけ反映する。Before は、自分の目だけで何度も読み返して見落としていた打ち間違い。After は、その一次チェックを手元で挟めるようになったこと。費用も気にせず何度でも回せるので、清書前の下ごしらえとして気軽に使えています。
ふたつ目は、外に出せない文面だけを手元で直す使い方です。たとえば、顧客名やメールアドレスが入ったメールの下書き、人事や契約に関わる文面など、クラウドに貼るのをためらうものです。こうした文面は、手元のローカルLLMで誤字やてにをはだけ整える。一方で、込み入った言い回しの仕上げが必要なら、機密に当たらない部分だけをクラウドAIに回す、という分け方ができます。文章を書く機会の多い事務職や個人事業主の方なら、「外に出せる文面はクラウド、出せない文面はローカル」と入口で分けておくと、迷いが減るのではないかと思います。
どちらの場面でも共通するのは、AI校正はあくまで下ごしらえで、最後は自分の目で確かめる、という前提です。そこさえ外さなければ、ローカルLLMの校正は、手元の心強い一次チェックになってくれます。
よくある質問
Q1: ローカルLLMで文章校正は実用になりますか？
A. 誤字脱字・てにをは・冗長表現の指摘なら、私の手元での検証では十分実用でした。一方で、込み入った文脈の整合や長い文章全体の最終仕上げは、クラウドAI（ChatGPT / Claude）のほうに分があります。「絶対にクラウド並み」とは言えませんが、一次校正としては手元で役に立ちます。
Q2: なぜクラウドAIでなくローカルで校正するのですか？
A. 最大の理由は、社外秘や個人情報を含む文章を、外部に出さずに手元で直せること（プライバシー）です。ネットの向こうへ文章を送らずに処理できます。加えて、オフラインで動くこと、月々の課金が止まっても使えることも利点です。
Q3: 文章校正はどう指示すればいいですか（プロンプト）？
A. 「誤字脱字 / てにをは / 冗長 / トーン」の4観点を、一度に全部ではなく分けて渡すと、指摘が追いやすくなります。さらに「修正後の文だけ出して」「変更点を箇条書きで」のように出力の形を先に指定すると、結果が安定して反映しやすくなります。
Q4: 校正に向くローカルLLMモデルはどれですか？
A. 「これが絶対」とは言えません。日本語では Llama-3-ELYZA-JP / Swallow / Gemma / Qwen などの系統が言及されます。私自身は校正という一つの用途で全モデルを比較し込んだわけではないので、モデル選び・スペックの詳細は親記事のLLM ローカルの基礎を起点にしてみてください。
Q5: 無料で文章校正できますか？
A. Ollamaやモデルそのものは無料で使えますが、動かすPC・電力・セットアップの時間というコストはインフラ側に残ります。クラウドの「無料枠」とは無料の意味が違う、と捉えておくと損をしません。
営業7年から現役の生成AIエンジニアになった私（aikun）が、Mac の Ollama で自分の文章を実際に校正させた手触りと、ChatGPT / Claude を業務で叩いている経験をもとに書いています。校正の最終確認は人間が行う前提で、参考にしていただければうれしいです。
出典
- Ollama 公式サイト（取得：2026-06-11）
- Ollama 公式 GitHub リポジトリ（取得：2026-06-11）
- Llama 公式サイト（Meta）（取得：2026-06-11）
- Gemma 公式（Google AI for Developers）（取得：2026-06-11）
関連記事
本記事の内容に誤りやお気づきの点があれば、send@bon-bon-tools.com までご連絡ください。