Dyktuj do Gemini

Czy możesz już rozmawiać z Gemini?

Tak. Gemini ma wbudowany głos. W aplikacji Gemini na telefonie stukasz w mikrofon i mówisz pytanie; na obsługiwanym urządzeniu możesz nawet zacząć bez użycia rąk. Na stronie gemini.google.com też jest mikrofon w polu prompta. Jeśli więc Twoim celem jest «zapytaj Gemini głosem i uzyskaj odpowiedź», nie potrzebujesz niczego więcej. Ta funkcja jest wbudowana w produkt.

Chcę to wyraźnie zaznaczyć na początku, bo wiele artykułów dla tego słowa kluczowego pomija ten fakt i od razu próbuje coś sprzedać. Własny głos Gemini naprawdę sprawdza się przy krótkich, mówionych pytaniach. «Jaka jest pogoda w Krakowie», «zamień 200 gramów na filiżanki», «podsumuj ten artykuł» — mówisz, słuchasz, gotowe. Jeśli na tym polega całe Twoje użytkowanie, to jest to krótki artykuł: użyj mikrofonu, który już tam jest.

Luka pojawia się w momencie, gdy Twój prompt staje się dłuższy lub bardziej przemyślany, oraz gdy chcesz stosować ten sam nawyk w miejscu, które nie jest Gemini. To temat reszty tego tekstu.

Dlaczego wpisywać prompt zamiast po prostu mówić

Gdy mówisz prosto do mikrofonu chatbota, Twoje słowa wchodzą i wychodzi odpowiedź — ale nigdy nie widzisz prompta jako edytowalnego tekstu. Przy jednolinijkowym pytaniu to nie problem. Przy starannym prompcie już tak. Powiedziałeś «podsumuj to w formalnym tonie», mikrofon usłyszał «podsumuj to w formalnym domu», a teraz model robi coś lekko nie tak i nagrywasz wszystko od nowa. Wpisanie prompta do pola najpierw oznacza, że go czytasz, zanim zostanie uruchomiony.

Drugi powód jest taki, że ten nawyk podróżuje. Skrót, który wpisuje Twoją mowę do pola tekstowego, nie przejmuje się, które to pole. Gemini dziś, ChatGPT jutro, prompt do Claude pojutrze, wiadomość na Slacku, opis commita, e-mail do nauczyciela Twojego dziecka. Jedna pamięć mięśniowa, każda aplikacja. Mikrofon Gemini działa tylko wewnątrz Gemini — to dokładnie to, czego można się spodziewać, ale oznacza, że drugie narzędzie działające wszędzie nie jest zbędne — to inny kształt.

Najszybszy sposób: systemowy skrót klawiszowy

Tu dedykowana aplikacja zmienia wszystko. Whisper by Remskill to nie wtyczka do Gemini, rozszerzenie Chrome ani integracja z Google. To aplikacja desktopowa, która zachowuje się jak klawiatura: naciśnij skrót, mów, a transkrypcja zostaje wklejona przy kursorze — w dowolnej aplikacji, w tym w polu prompta Gemini. Działa tak samo w przeglądarce i na pulpicie, bo z punktu widzenia komputera po prostu piszesz.

Konfiguracja jest krótka:

To cała pętla. Transkrypcja pojawia się w polu, czytasz ją, poprawiasz co trzeba, wysyłasz.

Dyktuj prompt bezpośrednio do Gemini

Po uruchomieniu doświadczenie jest nieefektowne w najlepszym sensie. Klikasz kursorem w pole prompta Gemini, przytrzymujesz klawisz, mówisz swój prompt, puszczasz. Sekundę później tekst siedzi tam, jakbyś go wpisał. Teraz robisz to, czego live mikrofon nie pozwala: czytasz go. Długie prompty — trzy akapity kontekstu plus właściwe pytanie — są o wiele łatwiejsze do poprawnego sformułowania, gdy możesz je zobaczyć, zanim zostaną uruchomione.

Ponieważ lokalna transkrypcja działa na Twoim komputerze (czysty Rust, bez sidecara Python, bez serwera w pętli), działa offline, a audio tego, co dyktujesz, nigdy nie opuszcza Twojego laptopa. Wpisujesz prompt głosem, a potem sam wysyłasz go do Gemini — krok dyktowania i krok AI są osobne, co jest całym powodem, dla którego możesz edytować pomiędzy nimi.

Czyszczenie AI usuwa «yyy»

Mówiony język jest niechlujny. Mówisz «yyy», zaczynasz zdania od nowa, urywasz w hałasie, który znaczy «wiesz, o co mi chodzi». Whisper ma opcjonalny krok ulepszania AI, który przycina wypełniacze i porządkuje sformułowania przed wklejeniem. Więc «yyy, czy możesz, czy możesz napisać mi taki, taki krótki e-mail odmawiający» staje się «Czy możesz napisać mi krótki e-mail z odmową». Czystszy prompt zazwyczaj generuje czystszą odpowiedź, więc to ma większe znaczenie przy promptowaniu AI niż przy zwykłych notatkach.

To czyszczenie działa lokalnie przez Ollama, bezpłatnie, na własnym komputerze. Użytkownicy Pro mogą zamiast tego skierować je przez chmurę, ale korzyść z czyszczenia wypełniaczy nie wymaga Pro — jest dostępna w bezpłatnym lokalnym pipeline. Możesz też wyłączyć tę funkcję i wkleić surową transkrypcję, co jest w porządku, gdy i tak zamierzasz przeczytać i edytować prompt.

Ten sam skrót działa w ChatGPT, Claude i wszędzie

To jest część, która sprawia, że osobne narzędzie jest warte zachodu. Skrót nie wie, czym jest Gemini. Wkleja tekst tam, gdzie stoi kursor, więc dokładnie ten nawyk, którego właśnie się nauczyłeś, działa w ChatGPT, w Claude, w Perplexity, w Google Doc, w kliencie e-mail, w polu komentarza pull requesta. Uczysz się jednego ruchu i przestajesz myśleć o tym, które AI dziś promptujesz. Wbudowany mikrofon Gemini, z założenia, pomaga tylko wewnątrz Gemini.

W normalnym tygodniu przeskakuję między trzema lub czterema narzędziami AI, w zależności od tego, co robię. Czego nie chciałem, to innego przycisku głosowego w każdym z nich, każdy zachowujący się nieco inaczej. Jeden skrót wpisujący do wszystkich to mniej do zapamiętania, i działa dalej, gdy jedno z nich wypuści redesign.

Jak wygląda pełna aplikacja Whisper

Skrót to część, której będziesz używać najczęściej, ale jest za nim powierzchnia ustawień. Wybierasz silnik transkrypcji: modele Whisper, których wielojęzyczne warianty obejmują 99 języków, a wersje tylko angielskie .en dokładnie jeden, lub Parakeet od NVIDIA, około 600 MB, 5 do 10 razy szybszy niż Whisper na CPU, obsługujący angielski plus 24 języki europejskie. Ustawiasz skrót, zarządzasz historią i zapisujesz ustawienia wstępne. Nic z tego nie jest wymagane, żeby podyktować jeden prompt do Gemini. Jest tam, gdy chcesz dostroić.

Kiedy własny mikrofon Gemini wystarczy

Jeśli chcesz tylko zadawać Gemini szybkie pytania głosowe, pomiń osobną aplikację. Otwórz Gemini, stuknij lub kliknij mikrofon, mów. Jest wbudowany, jest bezpłatny, a przy jednolinijkowym pytaniu nie ma nic do zyskania z drugiego narzędzia — dodajesz krok, nie usuwasz go. To samo dotyczy funkcji głosowych wbudowanych w inne duże chatboty, gdy pracujesz tylko w tej jednej aplikacji.

Dedykowany skrót wysuwa się na prowadzenie w trzech sytuacjach: długie prompty, które chcesz przeczytać przed wysłaniem, czyszczenie wypełniaczy, i stosowanie tego samego nawyku dyktowania we wszystkich aplikacjach zamiast tylko w Gemini. Im bardziej Twoje prompty przypominają prawdziwe pisanie — kontekst, instrukcje, pytanie — i im więcej narzędzi używasz na zmianę, tym bardziej to ma znaczenie.

Wybierz najmniejsze narzędzie, które rozwiązuje Twój problem. Dla jednego mówionego pytania to mikrofon już w Gemini. Dla długich promptów dyktowanych przez Gemini i ChatGPT i niedokończony e-mail, systemowy skrót przestaje wydawać się przesadą gdzieś w okolicach drugiego akapitu, którego nie musiałeś wpisywać.

Ile kosztuje Whisper

Lokalny pipeline dyktowania — transkrypcja i czyszczenie AI przez Ollama — jest bezpłatny dla każdego zalogowanego użytkownika, bez karty przy rejestracji. Dyktowanie promptów do Gemini z Whisper nie kosztuje więc nic. Whisper Pro dodaje funkcje chmurowe (transkrypcja OpenAI, ulepszanie AI w chmurze, głosowe wyszukiwanie w internecie) i wiąże się z osobnym trialem. Dokładne liczby znajdziesz na stronie z cenami, a nie tutaj, bo ceny się zmieniają i post na blogu to złe miejsce na ich aktualizowanie.

Gemini już Cię słyszy, a przy szybkim pytaniu to koniec historii — używaj mikrofonu, który jest. Powód, by zamiast tego dyktować prompt do pola, to część, której mikrofon nie może zrobić: możesz go przeczytać, zanim zostanie uruchomiony, i możesz to robić w ten sam sposób w każdej innej aplikacji, z którą rozmawiasz. Dwa narzędzia, dwa zadania. Przez większość czasu to mniejsze wystarczy.