Zamiana głosu na tekst w Obsidian

Czy Obsidian ma wbudowaną zamianę głosu na tekst?

Nie. Obsidian nie ma natywnej funkcji dyktowania, która zamieniałaby mowę w tekst w edytorze. Podstawowa wtyczka Audio Recorder nagrywa plik audio i dołącza go do notatki — nie transkrybuje tego, co powiedziałeś. To przydatna rzecz, ale odwrotność tego, czego szuka większość ludzi.

Aby uzyskać prawdziwą transkrypcję wewnątrz skarbca, sięgasz po wtyczkę społeczności. Najpopularniejsza jest wtyczka "Whisper" autorstwa nikdanilov. Nagrywa lub wgrywa dźwięk, wysyła go do API transkrypcji kompatybilnego z Whisper i wkleja wynik w miejscu kursora. Działa na komputerze i urządzeniach mobilnych, a domyślny skrót to Alt+Q. Haczyk tkwi w przewodniku startowym: dodajesz klucz API w ustawieniach, bo wtyczka łączy się z OpenAI, Groq, Azure lub inną usługą kompatybilną z Whisper. To oznacza chmurę i opłaty dla dostawcy API za minutę dźwięku.

Istnieją też inne ścieżki wewnątrz edytora. Ludzie łączą podstawowy Audio Recorder z usługą transkrypcji jak Deepgram lub uruchamiają oddzielne narzędzia do dyktowania obok Obsidian. Wszystko to są dobre opcje. Zauważ jednak wspólny mianownik: te, które transkrybują wewnątrz notatki, niemal wszystkie kierują dźwięk do chmurowego API i proszą o klucz. Istnieje inny sposób, który omija jedno i drugie.

Wtyczka w jednym skarbcu a skrót klawiszowy wszędzie

To rozróżnienie warte zrozumienia. Wtyczka w skarbcu działa wewnątrz Obsidian. Transkrybuje gdy jesteś w notatce, używając własnego skrótu, i działa tylko tam. Ogólnosystemowa aplikacja skrótu klawiszowego działa poziom wyżej, w systemie operacyjnym. Wpisuje tekst do Obsidian, ale też do przeglądarki, poczty, terminala i każdej innej aplikacji — bo dla komputera po prostu piszesz.

Wybór zależy od tego, co naprawdę robisz. Jeśli jedynym celem jest wrzucenie nagranego pliku audio do notatki i transkrypcja go w miejscu, wtyczka jest stworzona dokładnie do tego. Jeśli chcesz dyktować prozę do edytora tak jak byś ją pisał, i też dyktować wszędzie indziej gdzie piszesz, ogólnosystemowa aplikacja ma lepszą formę. Reszta tego przewodnika dotyczy głównie drugiego rodzaju, bo nie wymaga klucza ani konfiguracji dla każdego skarbca.

Najszybszy sposób: ogólnosystemowy skrót klawiszowy

Tutaj aplikacja desktopowa zmienia rachunki. Whisper by Remskill to nie wtyczka Obsidian, integracja ze skarbcem ani rozszerzenie przeglądarki. To aplikacja desktopowa działająca jak klawiatura: naciśnij skrót, mów, a transkrypt jest wklejany w miejscu kursora, w dowolnej aplikacji, w tym w notatce Obsidian. Nie trzeba wklejać klucza API, bo silniki transkrypcji działają lokalnie na twoim komputerze. Działa tak samo w Obsidian jak i wszędzie indziej, bo wpisuje tekst zamiast się integrować.

Konfiguracja jest krótka:

To cała pętla. Transkrypt pojawia się w edytorze, czytasz go, piszesz dalej.

Mówisz, a notatka się wypełnia

Gdy już działa, doświadczenie jest niepozorne w najlepszy sposób. Stawiasz kursor w notatce, przytrzymujesz klawisz, mówisz, puszczasz. Sekundę później tekst siedzi w edytorze jakbyś go napisał. Żadnego osobnego nagrania do przewijania, żadnego pliku audio zaśmiecającego skarbiec, żadnego zadania transkrypcji do czekania. Po prostu słowa tam, gdzie był kursor.

Ponieważ lokalna transkrypcja działa na twoim komputerze (czysty Rust, bez sidecar Python, bez serwera w pętli), działa offline. Dla aplikacji do notatek to sedno sprawy. Myśl którą zapisujesz, spotkanie które podsumowujesz, niedokończony pomysł, który nie chcesz żeby był indeksowany w cudzych logach — żaden dźwięk nie opuszcza twojego laptopa. Wtyczki w skarbcu wywołujące chmurowe API tego nie mogą powiedzieć, a wbudowane pisanie głosem Windows wymaga połączenia z internetem żeby w ogóle działać. Lokalny tryb Whisper nie.

Jak wygląda pełna aplikacja Whisper

Skrót klawiszowy to część, której będziesz używać najczęściej, ale za nim kryje się panel ustawień. Wybierasz silnik transkrypcji: modele Whisper, których wielojęzyczne warianty obsługują 99 języków, lub Parakeet od NVIDIA, około 600 MB, 5 do 10 razy szybszy od Whisper na CPU, obsługujący angielski plus 24 języki europejskie. Ustawiasz skrót, zarządzasz historią i zapisujesz ustawienia wstępne. Nic z tego nie jest wymagane żeby dyktować jedną notatkę. Jest tam, kiedy chcesz dostosować.

Porządkowanie dyktowanych notatek z AI

Mówiony język jest bałaganiarski. Mówisz "ee", przerywasz zdania, urywasz w połowie myśli. Whisper ma opcjonalny krok ulepszania AI, który przycina przerywniki i porządkuje sformułowania przed wklejeniem. Więc "ee, tak, no to, to spotkanie się przeniosło, myślę że będziemy, będziemy w czwartek" staje się "Spotkanie się przeniosło; chyba robimy to w czwartek." Dla trwałej notatki, którą przeczytasz ponownie, takie oczyszczenie się opłaca.

To oczyszczanie działa lokalnie przez Ollama, bezpłatnie, na twoim komputerze. Użytkownicy Pro mogą zamiast tego kierować to przez chmurę, ale korzyść z czyszczenia przerywników nie wymaga Pro; jest dostępna w bezpłatnym lokalnym potoku. Możesz też wyłączyć i wkleić surowy transkrypt, co przy szybkim zapisie często jest dokładnie tym czego potrzebujesz.

Lokalnie i prywatnie: notatki zostają na twoim komputerze

To jedna silna opinia, pod którą się podpiszę w przypadku narzędzia do notatek: dyktowanie tylko przez chmurę to katastrofa prywatności czekająca na transkrypcję. Twój skarbiec to miejsce, gdzie trzymasz arkusz wynagrodzeń który przygotowujesz, e-mail do szkoły twojego dziecka, niedokończoną myśl, którą nie jesteś gotowy się podzielić. Cały urok Obsidian dla wielu osób polega na tym, że notatki to zwykłe pliki na własnym dysku. Przesyłanie dźwięku tych notatek przez API dostawcy po cichu to niszczy.

Z lokalnymi silnikami Whisper nagranie jest transkrybowane na twoim własnym CPU i odrzucane. Żadnego klucza, żadnego konta u dostawcy transkrypcji, żadnego dźwięku siedzącego gdzieś w logu. To nie jest linia marketingowa, tak po prostu działa obliczenie. Kiedyś obserwowałem jak zespół nagromadził pięciocyfrowy rachunek w chmurze w kwartale zasilając API nagraniami ze standupów; reakcja CFO była mniej więcej: "albo nie płacimy za transkrypcję spotkań, które już mają notatki." Ta sama logika dotyczy osobistego skarbca, minus CFO.

Kiedy wtyczka w skarbcu pasuje lepiej

Nie będę udawać, że ogólnosystemowa aplikacja wygrywa w każdym przypadku, bo nie wygrywa. Jeśli naprawdę masz folder nagranych notatek głosowych lub dźwięku ze spotkania, które chcesz transkrybować i dołączyć do konkretnych notatek, wtyczka w skarbcu jak "Whisper" nikdanilov jest stworzona dokładnie dla tego przepływu pracy. Nagrywa lub wgrywa plik i wrzuca transkrypt do notatki. Zapłacisz API transkrypcji za minutę i będziesz zarządzać kluczem, ale pętla plik-wejście, transkrypt-w-notatce to właśnie to co robi — i aplikacja wpisująca hotkey tego nie zastępuje.

Jest też opcja nierobienia niczego. Jeśli tylko okazjonalnie dyktujesc linijkę, twój system operacyjny już to robi za darmo. Na Windows naciśnij klawisz z logo Windows + H, a pisanie głosem otworzy się w każdym polu tekstowym, w tym w notatce Obsidian. Na Macu wbudowany skrót Dyktowania robi to samo, a na Apple silicon działa na urządzeniu bez internetu. Kompromis: Win+H na Windows wymaga połączenia, podczas gdy dyktowanie macOS i lokalny tryb Whisper nie.

Wybierz najmniejsze narzędzie, które rozwiązuje twój problem. Do jednoliniowego zapisu to klawisz, który ma już twój system operacyjny. Do transkrybowania plików audio do konkretnych notatek to wtyczka w skarbcu. Do dyktowania prozy do edytora i wszędzie indziej gdzie piszesz, offline i bez klucza, to ogólnosystemowa aplikacja.

Ile kosztuje Whisper

Lokalny potok dyktowania — transkrypcja i oczyszczanie AI przez Ollama — jest bezpłatny dla każdego zalogowanego użytkownika, bez karty przy rejestracji. Tak więc wstawianie głosu do notatki przez Whisper nic nie kosztuje i nie ma licznikowania API transkrypcji za minutę. Whisper Pro dodaje funkcje chmurowe (transkrypcja OpenAI, chmurowe ulepszanie AI, głosowe wyszukiwanie w sieci) i ma osobny okres próbny. Dokładne liczby znajdziesz na stronie cenowej, a nie tutaj, bo ceny się zmieniają i post na blogu to złe miejsce do ich aktualizowania.

Obsidian prawdopodobnie w końcu zyska natywną funkcję dyktowania, tak jak aplikacje robią to gdy wystarczająco wiele osób instaluje trzy wtyczki próbując to podrobić. Do tego czasu twój skarbiec ma opcje: wtyczka w skarbcu do transkrybowania plików audio, system operacyjny do okazjonalnej linii, i ogólnosystemowa aplikacja do dyktowania prozy do edytora bez klucza ani serwera w pętli. Trzy narzędzia, jeden notes. W większości przypadków potrzebujesz tego, które trzyma dźwięk na twoim komputerze.