Od dyktowania do Agenta AI

Przez większą część lat 2010. oprogramowanie głosowe oznaczało jedno: dyktowanie. Ty mówiłeś, komputer pisał. To wszystko. Złotym standardem był Dragon NaturallySpeaking, produkt, który dominował na rynku przez ponad dwie dekady. Lekarze, prawnicy i pisarze używali go, aby unikać urazów z przeciążenia i pisać szybciej, niż pozwalały im palce.

Technologia była imponująca jak na swoje czasy, ale głęboko ograniczona. Dokładność oscylowała wokół 85–90% w idealnych warunkach i drastycznie spadała przy szumie w tle, akcentach czy terminologii technicznej. Trzeba było „wytrenować” program, czytając fragmenty tekstu na głos przez 30–60 minut, zanim w ogóle zaczął cię rozumieć.

Oprogramowanie było też drogie. Dragon Professional kosztował 300–500 $ za licencję, a wersja medyczna ponad 1000 $. Działało tylko na Windowsie, wymagało sporych zasobów procesora i ciągłych aktualizacji, aby utrzymać dokładność.

Wszystko zmieniło się we wrześniu 2022 roku, gdy OpenAI wypuściło Whisper, otwartoźródłowy model rozpoznawania mowy wyuczony na 680 000 godzin wielojęzycznego audio. Z dnia na dzień poprzeczka dokładności skoczyła z 85–90% do 95–98%. I był darmowy.

Whisper nie wymagał treningu głosu. Działał w ponad 90 językach od razu po uruchomieniu. Radził sobie z akcentami, hałasem i terminami technicznymi znacznie lepiej niż cokolwiek wcześniej. Model mógł działać lokalnie na sprzęcie konsumenckim, eliminując potrzebę drogich API w chmurze.

Usługi transkrypcji w chmurze, takie jak Otter.ai, Rev i Descript, również ogromnie się poprawiły, napędzane podobnymi modelami opartymi na transformerach. Transkrypcja spotkań stała się mainstreamowa. Cena dokładnej transkrypcji spadła z setek dolarów za licencję do groszy za minutę.

Ale fundamentalnie paradygmat się nie zmienił. Oprogramowanie głosowe nadal było zamiennikiem pisania. Mówiłeś słowa, a komputer je zapisywał. Było szybciej i dokładniej, ale nadal to była tylko transkrypcja. Komputer nie rozumiał, co mówisz ani co próbujesz osiągnąć.

Prawdziwa rewolucja zaczęła się, gdy interfejsy głosowe spotkały się z dużymi modelami językowymi. Zamiast po prostu zapisywać to, co mówisz, AI teraz rozumie, co masz na myśli, i podejmuje działanie. To przejście od dyktowania do agenta AI.

Nowoczesni głosowi agenci AI, tacy jak Whisper by Remskill, łączą rozpoznawanie mowy z inteligencją na poziomie GPT. Nie tylko dyktujesz tekst — wydajesz polecenia. „Zbadaj najnowsze trendy w energii odnawialnej i napisz akapit podsumowujący.” AI przeszukuje sieć, czyta źródła i pisze za ciebie akapit. Wszystko głosem, bez wychodzenia z aplikacji.

Własne komendy idą jeszcze dalej. Możesz tworzyć przepływy uruchamiane głosem: „Popraw gramatykę w tym e-mailu”, „Przetłumacz to na hiszpański” albo „Wytłumacz ten kod.” Każda komenda uruchamia konkretną operację AI na zaznaczonym tekście lub kontekście. To jak mieć osobistego asystenta, który może zrobić wszystko, uruchamianego jednym skrótem.

Fundamentalna zmiana polega na tym: oprogramowanie głosowe nie polega już na szybszym pisaniu. Chodzi o robienie rzeczy, których wcześniej nie dało się zrobić.

W erze dyktowania propozycją wartości była prędkość. Mówienie jest 3–4 razy szybsze od pisania. To było przydatne, ale ograniczone. Nadal musiałeś sam wymyślać, co napisać, strukturyzować to i ręcznie szukać informacji, gdy ich potrzebowałeś.

W erze agenta AI propozycją wartości są możliwości. Możesz zbadać temat, napisać pierwszą wersję, przetłumaczyć ją, zweryfikować fakty i sformatować do publikacji — wszystko głosem, bez przełączania aplikacji, w ułamku czasu, który zająłby to ręcznie.

To nie jest drobne ulepszenie. To zmiana kategorii. Stare pytanie brzmiało: „Jak szybko mogę pisać głosem?” Nowe pytanie brzmi: „Co mogę osiągnąć głosem?” A odpowiedź coraz częściej brzmi: prawie wszystko.

Era agenta AI dopiero się zaczyna. Oto, co nadchodzi w ciągu najbliższych 1–2 lat, na podstawie obecnych badań i planów produktowych.