Aplikacje zamieniające głos na tekst warte używania

Co robi aplikacja zamieniająca głos na tekst

Aplikacja zamieniająca głos na tekst wykonuje dwa zadania, które brzmią jak jedno. Najpierw automatyczne rozpoznawanie mowy słucha Twojego mikrofonu i zapisuje słowa. Następnie etap formatowania dodaje przecinki, wielkie litery i podziały akapitów, których surowa mowa nie zawiera. Niektóre aplikacje na tym kończą. Te lepsze dodają krok porządkowania przez AI, który poprawia słowa-wypełniacze i dopina frazowanie. Whisper uruchamia ten etap słowem kluczowym „Hey whisper”.

Tym, co naprawdę się liczy, jest to, gdzie ląduje tekst. Narzędzie do transkrypcji spotkań takie jak Otter nagrywa rozmowę i wręcza Ci transkrypcję po wszystkim. Aplikacja do dyktowania robi coś odwrotnego — naciskasz klawisz, mówisz, a słowa pojawiają się dokładnie tam, gdzie już znajduje się Twój kursor, w e-mailu lub dokumencie, który piszesz. To różne narzędzia do różnych zadań, a największym błędem, jaki ludzie popełniają, jest płacenie za to niewłaściwe. Ktoś kupuje narzędzie do transkrypcji spotkań, żeby pisać e-maile, albo narzędzie do pisania, żeby nagrać webinar, a potem zastanawia się, dlaczego ma wrażenie, że aplikacja z nim walczy. To nie aplikacja. To kategoria.

Rozpoznawanie mowy kiedyś wymagało też treningu. Czytałeś na głos listę słów przez czterdzieści pięć minut, żeby oprogramowanie mogło nauczyć się Twojego głosu, a i tak myliło się co trzecie zdanie. (Pewien mój krewny rzucił kiedyś słuchawkami przez cały pokój. Słuchawki przetrwały; eksperyment z dyktowaniem nie.) Nowoczesne aplikacje całkowicie to pomijają. Model przychodzi, znając już 99 języków w wielojęzycznych wariantach Whisper albo skoncentrowane 25 w szybszym silniku Parakeet, i działa z Twoim akcentem od razu po wyjęciu z pudełka.

Naciśnij skrót, mów, tekst się pojawia

Cała interakcja to cały produkt. Przytrzymujesz klawisz, mówisz, puszczasz — tekst zostaje wklejony w miejscu kursora. Żadnego okna do otwarcia, żadnego przycisku nagrywania do szukania, żadnego kopiuj-wklej po wszystkim.

W systemie Windows domyślny skrót to Ctrl+Space. Na Macu przytrzymujesz razem Command i Option, a puszczenie któregokolwiek klawisza kończy nagrywanie. Oba można dostosować, co znaczy więcej, niż się wydaje. Gdy pierwszy użytkownik powiedział mi, że mój skrót koliduje z jego aplikacją do rysowania, nauczyłem się, że „naciśnij jeden klawisz” to o jeden klawisz za dużo, gdy jest to ten niewłaściwy. Wpisałem go na sztywno, wypuściłem i przez jakiś tydzień czułem się sprytny.

Przez większość czasu aplikacja do dyktowania jest niewidoczna — to tylko skrót i ta nakładka. Ustawienia to miejsce, w którym wybierasz, jak ma się zachowywać: który silnik działa, czy porządkowanie przez AI jest włączone, jakiego języka się spodziewać. Tego wyboru wbudowane narzędzia systemu Ci nie dają.

Lokalnie czy w chmurze i dlaczego to decyduje o Twojej prywatności

Oto podział, który decyduje o całej reszcie. Lokalnie oznacza, że transkrypcja odbywa się na Twoim własnym laptopie, offline, a nic nie opuszcza urządzenia. Lokalny potok Whisper działa w ten sposób na dwóch silnikach: wielojęzyczne modele Whisper dla 99 języków i tłumaczenia na angielski albo Parakeet od NVIDIA, który jest 5 do 10 razy szybszy na procesorze, ale obejmuje 25 języków i żadnych pism azjatyckich. Chmura oznacza, że dźwięk trafia na serwer. Tryb Cloud w Whisper to OpenAI z własnym kluczem — dostarczasz własny klucz API, obejmuje on około 57 języków, a dźwięk jest jedyną rzeczą, która opuszcza Twoje urządzenie.

Większość wbudowanych aplikacji po cichu wybiera za Ciebie chmurę. Voice typing w systemie Windows na przykład wymaga połączenia z internetem. Microsoft mówi to wprost na swojej własnej stronie pomocy. Zachowanie Gboard w trybie offline zależy od tego, czy pobrałeś pakiet językowy działający na urządzeniu, co różni się w zależności od telefonu. Prawdziwie offline'owe opcje są węższe, niż sugeruje kategoria: Dictation na iPhonie działa bez połączenia na iPhone 6s lub nowszym, Dictation na Macu może przetwarzać ogólny tekst na urządzeniu, a tryb lokalny Whisper trzyma wszystko na Twojej maszynie.

Jeśli dyktujesz arkusz z wynagrodzeniami albo szkic e-maila prawnego, wiedza o tym, czy ten dźwięk opuszcza Twój laptop, to nie szczegół dla nerdów. To różnica między narzędziem prywatnym a takim, które wszystko rejestruje. Chmurowe aplikacje nadrabiają to jedną rzeczą, którą surowe narzędzia systemowe pomijają — etapem porządkowania przez AI, który zamienia „yyy, wyślij to, yyy, jutro” w zdanie, które faktycznie byś wysłał.

Aplikacje, po które bym sięgnął

Dość wstępu. Oto, co powiedziałbym znajomemu pod szkolną bramą, gdyby zapytał — według urządzenia.

• Na telefonie użyj mikrofonu w klawiaturze. Gboard na Androidzie i klawiatura iOS mają przycisk mikrofonu: stuknij, mów, gotowe. Jest za darmo, już zainstalowany, a do wiadomości lub szybkiej notatki to wszystko, czego potrzebujesz. Nie ma żadnej aplikacji na komputer wartej instalowania na telefonie do tego celu.

• W systemie Windows zacznij od Win+H. Naciśnij klawisz Windows i H w dowolnym polu tekstowym, a voice typing otworzy się w całym systemie, bez wymaganej subskrypcji Microsoft 365. Wymaga internetu, ale jest za darmo i działa wszędzie.
• Na Macu zacznij od Dictation. Włącz to w Ustawieniach systemowych, naciśnij klawisz mikrofonu, a tekst będzie pisany w dowolnej aplikacji. Przy ogólnym tekście może działać na urządzeniu, zamiast dzwonić do serwerów Apple.
• Gdy wbudowane narzędzie nie wystarcza, zainstaluj aplikację na komputer. Whisper to ta, którą tworzę: ogólnosystemowy skrót, Twój wybór silnika lokalnego lub chmurowego, porządkowanie przez AI i tryb offline, którego narzędzia systemowe nie oferują. Cały lokalny potok jest darmowy dla każdego zalogowanego użytkownika, bez karty przy rejestracji. Jeśli korzystasz z jednej platformy, instrukcja dla Windows oraz instrukcja dla Mac przeprowadzą przez konfigurację krok po kroku.

Inne aplikacje warte poznania

Kilka nazw pojawia się za każdym razem, gdy ktoś tego szuka, więc oto uczciwe jednozdaniówki.

• Wispr Flow reklamuje 100+ języków z automatycznym wykrywaniem i działa na Mac, Windows, iPhone i Android. To płatna opcja wieloplatformowa, jeśli chcesz jednego narzędzia wszędzie; napisaliśmy pełniejsze porównanie Wispr Flow, jeśli się nad nim zastanawiasz.
• Dragon Professional to stara gwardia. Nuance reklamuje nawet 99% dokładności od pierwszego użycia i dyktowanie trzykrotnie szybsze niż pisanie, tylko na Windows. To poważny, płatny produkt profesjonalny.
• Otter.ai to narzędzie do transkrypcji spotkań, a nie do dyktowania. Jego darmowy plan daje 300 minut miesięcznie i jest stworzony do nagrywania rozmów, a nie do pisania w miejscu kursora. Właściwe narzędzie, niewłaściwa kategoria dla większości wyszukiwań „aplikacja zamieniająca głos na tekst” — ta sama pułapka opisana w naszym poradniku o oprogramowaniu do transkrypcji.
• Dedicated dictation apps sit in the same category but lead with cursor-level typing rather than recording. If that is the angle you care about, our look at the modern dictation app covers what separates a good one from a glorified microphone button.

Kiedy zrezygnować z dedykowanej aplikacji i użyć tego, co wbudowane

Jeśli wysyłasz tylko trzydziestowyrazowe SMS-y i sporadyczną notatkę, nie instaluj niczego. Apple Dictation jest darmowy, wbudowany w Twojego Maca i iPhone'a, i działa w każdej aplikacji, w której da się pisać. Użytkownicy Windows mają Win+H za te same pieniądze. Wbudowane narzędzia zaczynają boleć przy dłuższym, sformatowanym pisaniu: brak porządkowania przez AI, brak wyboru silnika, a na Windows brak trybu offline. To jest ta granica. Poniżej niej darmowa opcja, którą Apple i Microsoft już Ci dali, jest właściwym wyborem — i wolałbym, żebyś z niej skorzystał, niż żebyś instalował moją do zadania, które tego nie wymaga.

Co do kosztów obowiązuje ta sama uczciwość. Wbudowane opcje przychodzą z Twoim urządzeniem i nic nie kosztują. Lokalny potok Whisper jest również darmowy dla każdego zalogowanego użytkownika, bez wymaganej metody płatności na start; płatna powierzchnia Cloud i jej aktualne ceny znajdują się na stronie cennika. Do użytku telefon-i-szybka-notatka nie powinieneś nikomu płacić. Do ogólnosystemowego dyktowania na komputerze z trybem offline i porządkowaniem przez AI płatne narzędzie zaczyna mieć sens.

W zeszły wtorek robiłem śniadania do pudełek, odpisując na zgodę szkolną, ogórek w jednej ręce, skrót pod drugą, dyktując „podpisuję zgodę, wysyłam ją jutro” między momentem, gdy młodszy zapytał, dlaczego księżyca czasem nie ma. E-mail poszedł. Pudełka zrobione. Kiedyś zajmowało to piętnaście minut pisania jedną ręką. Którąkolwiek aplikację wybierzesz z tej listy, to właśnie ten moment odkupujesz.