Zamiana mowy na tekst w Windows 11

Droga 1: naciśnij Win+H i zacznij mówić

Wymagania wstępne: Windows 11, połączenie z internetem, działający mikrofon i kursor w polu tekstowym. Bez pobierania i bez konta. Czas: poniżej minuty.

Oczekiwany rezultat: pasek pokazuje Słucham, a słowa, które mówisz, pojawiają się przy kursorze na bieżąco. Włączenie automatycznej interpunkcji (ikonka koła zębatego na pasku) pozwala narzędziu dodawać przecinki i kropki na podstawie tego, co mówisz.

Jeśli nic się nie dzieje: pisanie głosowe korzysta z rozpoznawania mowy online opartego na Azure, więc potrzebuje połączenia z internetem, działającego mikrofonu i kursora wewnątrz pola tekstowego. Brak połączenia oznacza brak transkrypcji. Pełna lista rozwiązań jest dwie sekcje dalej.

Korzystasz ze starszego poradnika o Windows Speech Recognition? Ta funkcja została zastąpiona przez Voice Access w Windows 11 22H2 i nowszych w wrześniu 2024 roku. Stary panel sterowania WSR żyje już tylko w starszych wersjach Windows. Jeśli więc jakiś poradnik każe Ci otworzyć kreator rozpoznawania mowy i nie możesz go znaleźć, poradnik jest nieaktualny — nie Twój komputer.

Kiedy wbudowane pisanie głosowe wystarczy

Nie będę Ci kazać instalować oprogramowania, którego nie potrzebujesz. Do wielu zadań Win+H to właściwa odpowiedź i nic nie kosztuje.

Korzystaj z wbudowanego narzędzia, gdy dyktowanie jest krótkie, masz połączenie z internetem i stawki są niskie. Odpowiedź dla współpracownika na Teams. Szybka notatka w OneNote. Zapytanie do wyszukiwarki, które wolisz powiedzieć niż wklepać palcem. Obsługuje automatyczną interpunkcję i działa w każdym standardowym polu tekstowym w Windows 11. Przy trzydziestosłowowych urywkach, gdy i tak jesteś online, otwieranie drugiej aplikacji zajęłoby więcej czasu niż samo mówienie.

Druga wbudowana funkcja często wprowadza zamieszanie, więc wyjaśnię. Voice Access to nie to samo, co pisanie głosowe. Voice Access pozwala sterować całym komputerem i dyktować tekst głosem — i w odróżnieniu od Win+H działa offline, korzystając z rozpoznawania mowy na urządzeniu po jednorazowym pobraniu pakietu językowego. Wymaga Windows 11 w wersji 22H2 lub nowszej. Jeśli więc potrzebujesz pełnego sterowania komputerem bez rąk (klikanie, przewijanie, otwieranie aplikacji głosem), sięgnij po Voice Access, nie po pisanie głosowe. To dwa różne narzędzia do dwóch różnych zadań.

Gdzie Win+H zawodzi (offline, dokładność, języki)

Wbudowane narzędzie ma trzy realne ograniczenia. Żadne z nich nie dyskwalifikuje go przy szybkiej notatce. Ale wszystkie trzy dają się we znaki, gdy tylko zaczniesz robić coś dłuższego albo poważniejszego.

Kwestia prywatności to ta, o której myślę najczęściej. Twoje dyktowanie — e-mail do szkoły dziecka, szkic umowy, pomysł w połowie ukształtowany, którego nigdy byś nie powiedział głośno na spotkaniu — opuszcza Twój komputer i trafia na serwer. Przy pięciominutowo opóźnionym spotkaniu na Teams to pikuś. Przy rzeczach, które są dla Ciebie ważne, warto wiedzieć, gdzie trafia dźwięk.

Win+H nie działa? Trzy najczęstsze przyczyny

Gdy Win+H nic nie robi, prawie zawsze chodzi o jedną z trzech rzeczy. Sprawdź je w tej kolejności, bo właśnie tak często każda z nich jest przyczyną.

Jeśli żadne z tych rozwiązań nie pomoże, głębszym problemem jest zwykle pakiet językowy, który nie dokończył instalacji, albo aktualizacja Windows w trakcie pracy. To też moment, w którym przestaję walczyć z wbudowanym narzędziem i konfiguruję coś, nad czym mam pełną kontrolę — czyli Drogę 2 poniżej. Jeśli problem się utrzymuje, napisaliśmy osobny poradnik o tym, gdy pisanie głosowe nie działa w Windows z obszerniejszą listą rozwiązań.

Droga 2: skonfiguruj dedykowaną aplikację do dyktowania

Whisper to aplikacja desktopowa, którą buduję, i robi trzy rzeczy, których Win+H nie potrafi: transkrybuje offline na Twoim własnym procesorze, działa przez jeden systemowy skrót klawiszowy w dowolnej aplikacji i pozwala wybrać silnik odpowiedni do Twojego sprzętu i języków zamiast jednego stałego modelu chmurowego. Oto pełna konfiguracja od początku do końca.

Wymagania wstępne: Windows 11, około 1 GB wolnego miejsca na dysku dla modelu średniej wielkości, mikrofon i bezpłatne konto (bez podawania metody płatności na start). Połączenie z internetem potrzebne jest tylko do jednorazowego pobrania; transkrypcja potem odbywa się offline. Czas: 5 do 10 minut, z czego większość to pobieranie modelu.

Oczekiwany wynik: po pobraniu modelu przytrzymujesz Ctrl+Space w dowolnej aplikacji, mówisz, puszczasz — i Twoje słowa wklejają się przy kursorze bez internetu w obiegu po chwili pobierania. Powiedzenie "Hey whisper" uruchamia przebieg czyszczenia AI na tekście przed jego wklejeniem, jeśli to włączysz.

Jeśli skrót zachowuje się nieprawidłowo: przypisz go ponownie w Ustawieniach. Sam nauczyłem się tego na własnej skórze. Pierwsza wersja obsługi skrótu wywoływała callback zatrzymania nagrywania sześć razy przy jednym rzeczywistym naciśnięciu klawisza w Windows, bo framework wejściowy Windows generuje phantom Ctrl+Space release events w nieprzewidywalnych momentach. Działało na czystym komputerze i wysypywało się na każdym laptopie z włączonym drugim układem klawiatury. Potrzebna była telemetria, zabezpieczenie 50ms, które nie wystarczyło, i ostatecznie debounce 300ms, które zadziałało. Werdykt córki stoi: właśnie dlatego mailom taty zajmuje to tyle czasu.

Jeśli chodzi o obsługę języków, lokalny silnik Whisper obsługuje 99 języków na modelach wielojęzycznych, podczas gdy wersje .en są przeznaczone wyłącznie do angielskiego i są odrobinę szybsze do tego jednego zadania. Silnik Parakeet działa 5 do 10 razy szybciej niż Whisper na CPU i obsługuje angielski oraz 24 języki europejskie (25 łącznie), choć pomija języki azjatyckie i tłumaczenie na angielski. Jeśli najważniejszy jest dla Ciebie tryb offline, nasz dokładniejszy przewodnik po zamianie mowy na tekst offline omawia silniki bardziej szczegółowo.

Win+H kontra Voice Access kontra dedykowana aplikacja

Trzy sposoby na zamianę mowy na tekst w Windows 11 zestawione obok siebie. Tabela zawiera tylko to, co każde narzędzie dokumentuje. Żadnych wymyślonych wyników dokładności ani prędkości.

Jeśli Twoją jedyną potrzebą jest szybka odpowiedź na Teams, gdy jesteś online, Droga 1 wygrywa prostotą. Jest już na Twoim komputerze. Gdy tylko pojawia się konieczność trybu offline, obsługa dowolnej aplikacji albo brakujący język, Droga 2 zasługuje na instalację.

Lokalnie czy w chmurze: który tryb Whisper dla Twojego komputera

Whisper działa w dwóch trybach, a wybór zależy od Twojego sprzętu i tego, czy chcesz dostępu do sieci.

Tryb lokalny robi wszystko na Twoim komputerze. Wybierz model Whisper dopasowany do swojego PC: Base to około 140 MB i działa praktycznie na wszystkim, Small to około 480 MB, Medium około 1,5 GB, a wielojęzyczny Large v3 to około 3 GB dla najlepszej dokładności, jeśli masz dość RAM-u. Albo wybierz Parakeet (około 600 MB) jako najszybszą lokalną opcję, jeśli pracujesz głównie po angielsku lub w językach europejskich. Nic z tego nie łączy się z internetem po pobraniu.

Tryb chmurowy to wyjście awaryjne. Używa Twojego własnego klucza OpenAI: transkrypcja przez gpt-4o-mini-transcribe lub gpt-4o-transcribe i przeszukiwanie sieci, gdy chcesz mieć żywą odpowiedź wklejoną przy kursorze. Klucz dostarczasz Ty; my nie bierzemy nic.

Oto opinia, za którą się stawię: najpierw wypróbuj tryb lokalny. Jeśli Twój komputer z Windows pochodzi z ostatnich czterech lat, nie potrzebujesz chmury do codziennego dyktowania, a tryb lokalny trzyma Twoje audio na Twoim komputerze, gdzie jego miejsce. Chmura to opcja awaryjna na wypadek ściany, nie domyślna. Whisper jest bezpłatny dla całego lokalnego potoku po zalogowaniu się — bez wymaganej metody płatności na start. Warstwa Cloud to płatny poziom Pro. Szczegóły znajdziesz na stronie cennika. Pełne lokalne instrukcje krok po kroku znajdziesz w przewodniku po zamianie głosu na tekst w Windows.

Kiedy pominąć dedykowaną aplikację

Wolę, żebyś zostawił Win+H, niż instalował coś, z czego nie będziesz korzystać. Pomiń dedykowaną aplikację i zostań przy wbudowanym pisaniu głosowym, gdy wszystkie poniższe warunki są spełnione:

• Dyktujesh krótkie fragmenty, nie długie dokumenty.
• Jesteś online zawsze, gdy dyktuje.
• Pracujesz wyłącznie w języku, który pisanie głosowe Microsoft już obsługuje.
• Twoje audio nie jest poufne i nie zależy Ci na tym, czy opuszcza komputer.

Win+H jest bezpłatny, już zainstalowany i świetnie sprawdza się dokładnie do tego zadania. Dedykowana aplikacja zarabia na swoje miejsce w chwili, gdy przekroczysz jedną z tych granic — samolot, szkic umowy, język, który Microsoft pominął, albo dowolna aplikacja, która nie jest standardowym polem tekstowym.

Uczciwe ceny

Tryb lokalny Whisper jest bezpłatny dla wszystkich zalogowanych: transkrypcja Whisper i Parakeet, ulepszanie AI, historia, presety, niestandardowe słowa kluczowe, akceleracja sprzętowa, pobieranie modeli i globalny skrót klawiszowy — wszystko to bez wymaganej karty na start. Whisper Pro dodaje na to funkcje Cloud: transkrypcja chmurowa OpenAI, ulepszanie AI w chmurze i głosowe przeszukiwanie sieci. Wbudowane pisanie głosowe Windows jest też bezpłatne, bo jest częścią Windows. Pełny opis planów znajdziesz na stronie cennika. Wolę, żebyś przeczytał dokładne liczby tam, niż ufał danym z wpisu na blogu, które mogą się zdezaktualizować.

Dwie drogi, jedna decyzja. Jeśli jesteś online, notatka jest krótka i stawki są niskie — naciśnij klawisz Windows + H i mów. Jest bezpłatne i już na Twoim komputerze. W chwili gdy potrzebujesz tego w samolocie, w dowolnej aplikacji, w języku pominiętym przez Microsoft albo z audio pozostającym na Twoim własnym komputerze — zainstaluj dedykowaną aplikację. Tę granicę przekroczyłem gdzieś przy trzeciej notatce ze spotkania, którą dyktowałem jedną ręką, pakując drugie śniadanie. Od tamtej pory nie napisałem długiego maila ręcznie.