Głos na tekst w Gmailu, zrobiony jak należy

Gmail nie ma wbudowanego pisania głosem na komputerze. Oto co działa.

Otwórz Gmaila na laptopie, kliknij Utwórz, rozejrzyj się po edytorze za mikrofonem. Nie ma go. Dokumenty i Prezentacje Google mają pisanie głosem wbudowane (Chrome, Edge lub Safari), ale własna dokumentacja pomocy Google ogranicza tę funkcję do Dokumentów i Prezentacji. Gmaila na liście nie ma. Ludzie proszą o przycisk mikrofonu w Gmailu na forach pomocy Google od lat. Nie pojawił się.

Trzy uczciwe drogi na komputerze: otwórz Gmaila na telefonie — mikrofon systemowej klawiatury działa już w każdym polu tekstowym, w tym w oknie tworzenia wiadomości Gmaila. Zainstaluj rozszerzenie do Chrome, które dodaje mikrofon do karty z Gmailem — Voice In, Voicy albo bez ogródek nazwane „Dictation for Gmail”. Albo zainstaluj aplikację, która przechwytuje skrót na poziomie systemu i wkleja przepisany tekst do dowolnego okna, które ma fokus — Whisper, Willow Voice, natywna wersja Voicy. Pierwsza działa tylko w kartach Chrome. Trzecia działa wszędzie, gdzie miga kursor.

Nudna prawda jest taka, że rozwiązują one różne problemy. Jeśli chcesz głosu tylko w Gmailu, rozszerzenie wystarczy. Jeśli chcesz, by stało się to nawykiem — w Gmailu i ośmiu innych aplikacjach, w których też piszesz — rozszerzenie szybko trafia na swój sufit.

Najszybsza konfiguracja: rozszerzenie do Chrome i skrót klawiszowy

Jeśli chcesz głosu w Gmailu, a już jesteś w Chrome, to najkrótsza droga. Łączny czas: około 3 minut.

Wymagania wstępne (jedna minuta)

• Zainstalowany Google Chrome (albo przeglądarka oparta na Chromium, jak Edge lub Brave).
• Działający mikrofon. Wbudowany w zupełności wystarczy.
• Przyznane uprawnienie do mikrofonu na poziomie systemu. macOS: Ustawienia systemowe → Prywatność i bezpieczeństwo → Mikrofon. Windows: Ustawienia → Prywatność → Mikrofon.
• Jesteś zalogowany do Gmaila.

Wybierz jedno rozszerzenie

Trzy z realną bazą użytkowników:

• Voice In od Dictanote, narzędzie dostępne tylko jako rozszerzenie do Chrome (pakowane też jako dodatek do Edge). Działa na ponad 10 000 stron w ponad 100 językach. Darmowy poziom i płatny poziom Plus.
• Voicy, zarówno natywna aplikacja, jak i rozszerzenie do Chrome. Rozszerzenie podpina się pod Gmaila i ponad 20 000 innych stron. Reklamuje ponad 50 języków i 99% dokładności.
• Dictation for Gmail, wyspecjalizowane pod Gmaila, dodaje ikonę mikrofonu obok przycisku Wyślij. 60 języków, ponad 100 000 użytkowników, 3,5★ z 273 ocen.

Instalacja w czterech krokach

Większość osób uruchamia to w niecałe trzy minuty. Tarcie nie tkwi w konfiguracji. Tarcie to wszystko, co przychodzi później — i do tego jeszcze dojdziemy.

Na telefonie Gmail już to potrafi i to jest w porządku

Jeśli większość maili piszesz na telefonie, nie potrzebujesz do tego aplikacji. Nie potrzebujesz rozszerzenia. Nie musisz czytać reszty tego artykułu. Łączny czas konfiguracji: zero. To już tam jest.

Na Androidzie otwórz Gmaila, dotknij Utwórz, dotknij treści i spójrz na górny rząd klawiatury Gboard. Jest tam ikona mikrofonu. Dotknij jej, mów, dotknij ponownie. Własna dokumentacja Google ujmuje to tak: „możesz mówić, żeby pisać w większości miejsc, gdzie da się pisać na klawiaturze”. Nie podają czystej liczby języków, jedynie to, że nie działa w każdym języku obsługiwanym przez Gboard. Główne języki romańskie i germańskie są objęte.

Na iPhonie otwórz Gmaila, dotknij Utwórz, dotknij treści i spójrz na klawiaturę iOS. Obok spacji jest klawisz mikrofonu. Dotknij go, mów, dotknij Gotowe. Mikrofon klawiatury iOS jest systemowy, więc ten sam klawisz działa w Gmailu, Wiadomościach, Notatkach i Safari. (Gboard na iOS ma własny przycisk mikrofonu, jeśli go zainstalujesz. Każdy działa.) Apple nie publikuje płaskiej liczby języków dla dyktowania na iOS; trzyma się ono blisko Apple Dictation na macOS, które wymienia 47 wariantów regionalnych.

Oba są darmowe. Oba są wbudowane. Jeśli piszesz maile głównie z telefonu, reszta tego artykułu jest na dni, gdy siadasz do laptopa. W przeciwnym razie — to już koniec.

Dlaczego rozszerzenia na komputerze wciąż mylą interpunkcję

Rozszerzenia do Chrome działają, ale to ich dokładność sprawia, że „Dictation for Gmail” ma średnio 3,5 gwiazdki z 273 recenzji, a nie 4,7. Schemat narzekań jest spójny we wszystkich trzech. Gdy go poznasz, przestajesz się dziwić.

Większość narzędzi do dyktowania jako rozszerzenia przeglądarki to nakładki na Web Speech API. Proszą Chrome o zamianę mowy na tekst, a potem wklejają wynik. To API jest w porządku przy krótkich wypowiedziach, kruche przy czymkolwiek dłuższym. Konkretne rzeczy, które się psują:

• Interpunkcję trzeba wypowiadać. „Kropka”, „przecinek”, „znak zapytania”, „nowy akapit”. Myślisz, że się tego nauczysz. Nie nauczysz się. Twój mózg nie chce mówić „kropka” na głos na końcu każdego zdania. Większość użytkowników dyktuje jeden płaski ciąg bez przerw, a potem porządkuje go gładzikiem. Co przekreśla większość sensu.
• Mikrofon wyłącza się po chwili ciszy. Zatrzymaj się na trzy sekundy, żeby przemyśleć sformułowanie, a API przestaje słuchać. Zaczynasz mówić od nowa — i połowy zdania brakuje.
• Fokus jest przyklejony do karty. Kliknij w inną kartę Chrome i mikrofon się zatrzymuje. Przełącz się na kalendarz, żeby sprawdzić datę, i mikrofon się zatrzymuje. Dyktowanie żyje wewnątrz jednej karty.
• Akcenty i nazwy własne. Nazwiska są autopoprawiane na słowo, które przeglądarka uznaje za bliższe. Moi odbiorcy bywali nazywani Andre, Ankara, a raz „pani Andrescu”, zanim to wyłapałem.

Voicy twierdzi, że jego rozszerzenie używa własnego AI dla wyższej dokładności, i to wersja, którą wypróbowałbym najpierw, gdybym stawiał na drogę z rozszerzeniem. Ale żadne nie rozwiązuje problemu interpunkcji-głosem ani wyłączania się po ciszy. Oba są wbudowane w założenie, że dyktowanie w przeglądarce to 30-sekundowa czynność, a nie narzędzie do pisania.

Ten sam sufit rozszerzeń przeglądarki dotyczy pisania głosem w Dokumentach Google — wygodne wewnątrz karty, ale nigdy nie podąża za kursorem do Gmaila ani nigdzie indziej.

Czego używam do Gmaila i kiedy w ogóle sobie odpuszczam

Zbudowałem Whispera, bo wypaliłem się na rozszerzeniach do Chrome z powodów opisanych wyżej. To aplikacja oparta na Tauri dla Maca (Apple Silicon) i Windowsa. Bez Intel Maca, bez Linuksa. Rejestruje skrót na poziomie systemu. Przytrzymaj, mów, puść. Tekst zostaje przepisany i wklejony do okna, które ma fokus.

Domyślny skrót: Ctrl+Space na Windowsie, na macOS tylko modyfikatory Command + Option (dowolny Command, dowolny Option, przytrzymane do nagrywania, puszczone do zatrzymania). Oba konfigurowalne w Ustawieniach.

Element, który zmienił sposób, w jaki pracuję: nie obchodzi go, która aplikacja ma fokus. Ten sam skrót w oknie tworzenia Gmaila, w Slacku, w Notion, w VS Code, w terminalu. Moduł wklejania w Ruście zapisuje do schowka systemowego i wstrzykuje natywny skrót Cmd+V lub Ctrl+V do dowolnego okna, na które patrzę. macOS prosi o uprawnienie Dostępności za pierwszym razem. Potem jest niewidoczny.

W przypadku Gmaila ma to znaczenie z powodu przełączania kontekstu. Zaczynam pisać odpowiedź, przeskakuję alt-tabem do kalendarza, wracam alt-tabem. Z rozszerzeniem do Chrome stan mikrofonu znika. Ze skrótem systemowym podejmuję od miejsca, w którym przerwałem.

Silnik transkrypcji wybierasz sam. Trzy drogi, przedstawione uczciwie, bez domyślnej:

• Cloud (OpenAI BYOK). gpt-4o-mini-transcribe domyślnie, gpt-4o-transcribe dla poziomu o wyższej dokładności. Przynosisz własny klucz OpenAI. Najlepsza jakość, wbudowane wyszukiwanie w sieci, wymaga połączenia.
• Lokalny Parakeet. Model TDT od NVIDIA, około 600 MB, 5–10× szybszy niż Whisper na CPU. Angielski plus 24 języki europejskie. Offline. Bez języków azjatyckich, bez tłumaczenia na angielski.
• Lokalny Whisper. Od Base (około 140 MB) po Large v3 (około 3 GB). Warianty wielojęzyczne obejmują 99 języków. Warianty .en są tylko po angielsku. Wolniejszy niż Parakeet, ale obsługuje tłumaczenie i dokładniejszą kontrolę nad każdym nagraniem.

Do odpowiedzi po angielsku w Gmailu zostawiam włączony lokalny Parakeet. Cloud przejmuje pałeczkę, gdy potrzebuję dłuższego maila z wyszukiwaniem w sieci. Słowo wyzwalające AI to „Hey whisper”, a po nim instrukcja.

Kiedy w ogóle sobie odpuszczam: jednolinijkowe „dzięki, zrobię to”. Opóźnienie skrótu wygrywa z pisaniem dopiero powyżej jakichś dziesięciu słów. Sens dyktowania to maile na 80–200 słów, gdzie mówienie jest szybsze niż pisanie.

Kiedy Gboard albo dyktowanie iOS to właściwa odpowiedź

Jeśli 90% twojego Gmaila dzieje się na telefonie, nie instaluj nic. Gboard i dyktowanie iOS są darmowe, systemowe i stworzone do krótkich i średnich wiadomości. Ikona mikrofonu na klawiaturze ogarnia 100-słowną odpowiedź w 40 sekund.

Jeśli jesteś na Macu, a twoje potrzeby to 30-sekundowe notatki głosowe w polu tekstowym, Apple Dictation sprawdza się przy krótkich notatkach. macOS Tahoe ma 47 języków i wariantów regionalnych. Aktywowane klawiszem Mikrofon, konfigurowalnym skrótem albo przez Edycja → Rozpocznij dyktowanie. Zatrzymuje się po 30 sekundach ciszy, co czyni je świetnym do „tak, odpisz, żeby potwierdzić”, a kiepskim do akapitu, który wymaga przerwy na myślenie.

Jeśli większość maili piszesz na komputerze albo laptopie, w wielu aplikacjach, które nie są wyłącznie kartami przeglądarki, to właśnie tam systemowa aplikacja zaczyna mieć znaczenie. My robimy jedną. Robi to też Willow Voice i natywna wersja Voicy. Wypróbuj kilka, zanim się zdecydujesz — ten sam ogólnosystemowy skrót pozwala też dyktować do Notion.

Pisanie głosem w Gmailu powinno było być funkcją Google dziesięć lat temu, a jakoś wciąż nią nie jest. Dopóki się nie stanie, wybierz drogę, która pasuje do twojego dnia. Klawiatura telefonu, jeśli jesteś na telefonie, rozszerzenie do Chrome, jeśli żyjesz wewnątrz jednej karty, aplikacja na komputer, jeśli piszesz wszędzie, gdzie powędruje kursor. Którąkolwiek wybierzesz, cel jest ten sam. Przestań wypisywać te 100-słowne maile.