Sanele Geminille

Voiko Geminille jo puhua?

Kyllä. Geminissä on sisäänrakennettu puheensyöte. Gemini-sovelluksessa puhelimellasi napautat mikrofonia ja puhut kysymyksesi; tuetulla laitteella voit jopa aloittaa vapaakätisesti. Verkossa gemini.google.com-sivustolla on myös mikrofoni promptialueella. Jos siis tavoitteesi on «kysyä Geminiltä jotain ääneen ja saada vastaus», et tarvitse mitään muuta. Toiminto on sisäänrakennettu tuotteeseen.

Haluan sen sanoa selvästi heti aluksi, koska monet tätä hakusanaa koskevat artikkelit ohittavat tämän ja siirtyvät suoraan myymään sinulle jotakin. Geminin oma puheensyöte on aidosti hyvä nopeisiin puhuttuihin kysymyksiin. «Mikä on sää Helsingissä», «muunna 200 grammaa desilitroiksi», «tiivistä tämä artikkeli» — puhu, kuuntele, valmis. Jos se on kaikki mitä teet, tämä on lyhyt artikkeli: käytä mikrofonia, joka on jo siellä.

Ero ilmenee hetkellä, kun promptisi pitenee tai muuttuu harkitummaksi, ja hetkellä, kun haluat käyttää täsmälleen samaa tapaa jossakin, joka ei ole Gemini. Se on tämän artikkelin loppuosa.

Miksi kirjoittaa prompti sen sijaan, että puhuisi vain

Kun puhut suoraan chatbotin mikrofoniin, sanasi menevät sisään ja vastaus tulee ulos — mutta et koskaan näe promptia muokattavana tekstinä ensin. Yhden rivin kysymykseen se riittää. Huolelliseen promptiin ei. Sanoit «tiivistä tämä muodollisella sävyllä», mikrofoni kuuli «tiivistä tämä epämuodollisella sävyllä», ja nyt malli tekee jotain hieman väärin ja äänität kaiken uudelleen. Promptin kirjoittaminen kenttään ensin tarkoittaa, että luet sen ennen kuin se suoritetaan.

Toinen syy on, että tapa kulkee mukana. Pikanäppäin, joka kirjoittaa puheesi tekstikenttään, ei välitä mistä kentästä on kyse. Gemini tänään, ChatGPT huomenna, Claude-prompti ylihuomenna, Slack-viesti, commit-kuvaus, sähköposti lapsesi opettajalle. Yksi lihaksisto-muisti, kaikki sovellukset. Geminin mikrofoni toimii vain Geminin sisällä — täsmälleen mitä odottaisi, mutta se tarkoittaa, että kaikkialla toimiva toinen työkalu ei ole redundantti — sillä on eri muoto.

Nopein tapa: järjestelmänlaajuinen pikanäppäin

Tässä erillinen sovellus muuttaa asiat. Whisper by Remskill ei ole Gemini-lisäosa, Chrome-laajennus eikä Google-integraatio. Se on työpöytäsovellus, joka toimii kuten näppäimistösi: paina pikanäppäintä, puhu, ja transkriptio liitetään kursorin kohtaan — missä tahansa sovelluksessa, Geminin promptikenttä mukaan lukien. Se toimii samalla tavalla selaimessa ja työpöydällä, koska tietokoneesi näkökulmasta vain kirjoitat.

Asennus on lyhyt:

Se on koko silmukka. Transkriptio ilmestyy kenttään, luet sen, korjaat virheelliset kohdat, lähetät.

Sanele prompti suoraan Geminille

Kun se on käynnissä, kokemus on parhaalla mahdollisella tavalla huomaamaton. Viet kursorin Geminin promptikenttään, pidät näppäintä alhaalla, sanot promptisi, vapautat. Sekunnin kuluttua teksti on siellä kuin olisit kirjoittanut sen. Nyt teet sen, mitä live-mikrofoni ei anna tehdä: luet sen. Pitkien promptien — kolme taustaaluetta plus varsinainen kysymys — oikein saaminen on paljon helpompaa, kun näet ne ennen suorittamista.

Koska paikallinen transkriptio toimii koneellasi (puhdas Rust, ei Python-sivuaria, ei palvelinta silmukassa), se toimii offline-tilassa, ja saneltavan ääni ei koskaan poistu kannettavaltasi. Kirjoitat promptin äänelläsi ja lähetät sen sitten itse Geminille — saneluvaihe ja tekoälyvaihe ovat erillisiä, mikä on koko syy siihen, että voit muokata välissä.

Tekoälypuhdistus poistaa «öö»-äänet

Puhuttu kieli on epäsiistiä. Sanot «öö», aloitat lauseet uudelleen, hajoat ääneksi, joka tarkoittaa «tiedät mitä tarkoitan». Whisperissä on valinnainen tekoälyparannusvaihe, joka leikkaa täytesanat ja siistii muotoilun ennen liittämistä. Niin «öö, voitko, voitko kirjoittaa minulle sellaisen, lyhyen sähköpostin joka kieltäytyy tästä» muuttuu muotoon «Voitko kirjoittaa minulle lyhyen sähköpostin kieltäytymisestä». Siistimpi prompti tuottaa yleensä siistimmän vastauksen, joten tämä on itse asiassa tärkeämpää tekoälyprompteissa kuin tavallisissa muistiinpanoissa.

Tämä puhdistus toimii paikallisesti Ollaman kautta, ilmaiseksi, omalla koneellasi. Pro-käyttäjät voivat ohjata sen pilven kautta, mutta täytesanojen poistamisen hyöty ei vaadi Prota; se on saatavilla ilmaisessa paikallisessa pipelinessa. Voit myös kytkeä sen pois päältä ja liittää raakatranskription, mikä on hyvä, kun aiot lukea ja muokata promptia joka tapauksessa.

Sama pikanäppäin toimii ChatGPT:ssä, Claudessa, kaikkialla

Tämä on osa, joka tekee erillisestä työkalusta vaivan arvoisen. Pikanäppäin ei tiedä mitä Gemini on. Se liittää tekstin minne kursori onkin, joten juuri oppimasi tapa toimii ChatGPT:ssä, Claudessa, Perplexityssä, Google Docissa, sähköpostiohjelmassasi, pull requestin kommenttikentässä. Opit yhden liikkeen ja lopetat miettimisen, mille tekoälylle prompaat tänään. Geminin sisäänrakennettu mikrofoni auttaa suunnittelultaan vain Geminin sisällä.

Vaihdan normaalin viikon aikana kolmen tai neljän tekoälytyökalun välillä riippuen siitä mitä teen. Mitä en halunnut, oli eri äänipainike jokaisessa, jokainen käyttäytyen hieman eri tavalla. Yksi pikanäppäin, joka kirjoittaa kaikkiin, on vähemmän muistettavaa, ja se jatkaa toimintaansa kun yksi niistä julkaisee uudelleensuunnittelun.

Miltä täysi Whisper-sovellus näyttää

Pikanäppäin on osa, jota käytät eniten, mutta sen takana on asetuspinta. Valitset transkriptiomoottorin: Whisper-mallit, joiden monikieliset versiot kattavat 99 kieltä ja vain englanninkieliset .en-buildaukset tasan yhden, tai NVIDIAn Parakeet, noin 600 Mt, 5–10 kertaa nopeampi kuin Whisper prosessorilla, kattaen englannin plus 24 eurooppalaista kieltä. Asetat pikanäppäimesi, hallinnoit historiaa ja tallennat esiasennuksia. Mitään tätä ei tarvita yhden promptin sanelemiseen Geminille. Se on siellä kun haluat säätää.

Milloin Geminin oma mikrofoni riittää

Jos haluat vain esittää Geminille nopeita puhuttuja kysymyksiä, ohita erillinen sovellus kokonaan. Avaa Gemini, napauta tai napsauta mikrofonia, puhu. Se on sisäänrakennettu, se on ilmainen, ja yhden rivin kysymykseen ei ole mitään voitettavaa toisesta työkalusta — lisäät askeleen, et poista yhtä. Sama koskee muiden suurten chatbottien puheominaisuuksia, kun työskentelet vain siinä yhdessä sovelluksessa.

Erillinen pikanäppäin ottaa johtoaseman kolmessa kohdassa: pitkät promptit joita haluat lukea ennen lähettämistä, täytesanojen puhdistus, ja saman sanelutavan käyttäminen kaikissa sovelluksissa pelkän Geminin sijaan. Mitä enemmän promptisi muistuttavat oikeaa kirjoittamista — konteksti, ohjeet, kysymys — ja mitä enemmän työkaluja vaihdat, sitä enemmän sillä on merkitystä.

Valitse pienin työkalu, joka ratkaisee ongelmasi. Yhtä puhuttua kysymystä varten se on jo Geminissä oleva mikrofoni. Pitkille prompteille jotka sanellaan Geminin ja ChatGPT:n ja puolivalmiina olevan sähköpostin välillä, järjestelmänlaajuinen pikanäppäin lakkaa tuntumasta liialta noin toisessa kappaleessa, jota sinun ei tarvinnut kirjoittaa.

Mitä Whisper maksaa

Paikallinen sanelupipeline — transkriptio ja tekoälypuhdistus Ollaman kautta — on ilmainen kaikille kirjautuneille käyttäjille, ilman korttia rekisteröitymisessä. Promptien saneleminen Geminille Whisperillä ei siis maksa mitään. Whisper Pro lisää pilviominaisuudet (OpenAI-transkriptio, pilvitekoälypunnostus, äänihaku verkossa) ja sisältää erillisen kokeilujakson. Tarkat luvut löytyvät hinnoittelusivulta, ei täältä, koska hinnat muuttuvat ja blogipostaus on huono paikka pitää ne ajan tasalla.

Gemini kuulee sinut jo, ja nopeaan kysymykseen se on tarinan loppu — käytä siellä olevaa mikrofonia. Syy sanella prompti kenttään sen sijaan on osa, mitä mikrofoni ei voi tehdä: voit lukea sen ennen kuin se suoritetaan, ja voit tehdä sen samalla tavalla kaikissa muissa sovelluksissa joille puhut. Kaksi työkalua, kaksi tehtävää. Useimmiten pienempi riittää.