Mowa na tekst w Windows: darmowe vs płatne

Trzy ścieżki w jedną minutę

Aplikacja nie wybiera za ciebie modelu transkrypcji. Wybierasz z trzech ścieżek. To celowe.

Cloud (OpenAI, BYOK) — ścieżka najwyższej jakości

Przynosisz własny klucz API do OpenAI. Transkrypcja działa na gpt-4o-mini-transcribe (domyślnie) lub gpt-4o-transcribe. Ulepszanie tekstu AI działa na gpt-5-mini domyślnie; gpt-5-nano i gpt-5 też są dostępne. Wyszukiwanie w sieci idzie przez gpt-4o-mini przez Responses API. Płacisz OpenAI bezpośrednio za użycie; my nie bierzemy żadnej prowizji. Wybierz to, jeśli chcesz najlepszej jakości i dostępu do sieci w jednym narzędziu i nie przeszkadza ci płacenie OpenAI bezpośrednio od minuty.

Parakeet (NVIDIA TDT, ~600 MB) — najszybsza ścieżka lokalna

Parakeet v3 jest 5 do 10× szybszy niż Whisper na CPU. Angielski plus 24 języki europejskie. Brak tłumaczenia na angielski. Brak przełączania kodu z pismami azjatyckimi. Jakość jest dobra, nie na poziomie Whisper-large-v3, ale więcej niż wystarczająca do codziennej pracy z mailami i dokumentami. Wybierz to, jeśli chcesz prędkości i głównie mówisz po angielsku.

Lokalny Whisper (8 modeli) — najbardziej kontrolowalna ścieżka lokalna

Wolniejszy niż Parakeet na tym samym sprzęcie. W zamian dostajesz 99 języków w wersjach wielojęzycznych, tłumaczenie na angielski, własne słownictwo, kontrolę szerokości wiązki i biasing słów-kluczy. Wybierz to, jeśli potrzebujesz tłumaczenia, transkrypcji wielojęzycznej (zwłaszcza chińskiej, japońskiej, koreańskiej, czego Parakeet nie potrafi) lub precyzyjniejszej kontroli per nagranie.

Wszystkie trzy ścieżki używają tego samego skrótu klawiszowego, tej samej nakładki, tych samych ustawień. Przełącznik to jeden suwak.

Co Windows już ci daje (Win+H)

Otwórz dowolne pole tekstowe: Word, Outlook, pasek adresu przeglądarki, Notepad, pole wpisywania w Slack. Naciśnij Windows + H. Pojawi się mały pasek dyktowania, a twój pecet słucha. Mów. Kliknij gdzieś indziej albo naciśnij przycisk stop na pasku, a tekst zostaje. To cała baza.

Microsoft nazywa to Voice Typing. Jest wbudowane w Windows 10 i Windows 11. Nie ma żadnej aplikacji do instalacji. Nie ma „treningu" w sensie, w jakim musiał to robić jeden mój krewny na Dragon NaturallySpeaking na komputerze z Windows 98 w 1999, co zajmowało 45 minut czytania listy kalibracyjnej, zanim oprogramowanie mogło zdecydować, czy powiedziałeś „pisanie" czy „picie". Technologia rozpoznawania mowy po cichu się poprawiła, kiedy nikt nie patrzył, a Microsoft dostarczył wynik w aktualizacji systemu bez konferencji prasowej.

Kilka rzeczy, które trzeba wiedzieć z góry. Voice Typing używa internetowego rozpoznawania mowy Microsoftu, opartego na usługach Azure Speech. To znaczy, że dźwięk opuszcza twojego laptopa w drodze do centrum danych Microsoftu. Jeśli dyktujesz arkusz z wynagrodzeniami, notatkę HR albo cokolwiek związanego z HIPAA lub GDPR, to ma znaczenie. Sprawdź politykę IT w swojej firmie albo użyj narzędzia, którego historia prywatności jest prostsza. Funkcja obsługuje ponad 50 języków z wariantami regionalnymi. Na PC z Copilot+ (nowa generacja Snapdragon X / Surface) jest też funkcja Voice Typing zwana Fluid dictation, która używa lokalnego małego modelu językowego do poprawiania gramatyki, interpunkcji i słów wypełniających, podczas gdy mówisz, obecnie dostępna we wszystkich locale angielskich.

Voice Typing vs Voice Access — wybierz właściwą warstwę

Dwie różne funkcje Microsoftu, często mylone. Voice Typing dostajesz przez Windows + H. Voice Access to oddzielna funkcja do sterowania całym pecetem głosem: otwierania aplikacji, klikania przycisków, przewijania, plus tworzenia tekstu. Voice Access wymaga Windows 11 22H2 lub nowszego, używa lokalnego rozpoznawania mowy działającego bez połączenia z internetem i zastąpiło stare Windows Speech Recognition we wrześniu 2024. Języki Voice Access obejmują angielski (sześć wariantów regionalnych), hiszpański, niemiecki, francuski, chiński uproszczony i tradycyjny, japoński oraz włoski.

Jeśli twoim celem jest „chcę dyktować tekst do aplikacji", chcesz Voice Typing. Jeśli twoim celem jest „nie mogę używać myszki i klawiatury, muszę sterować całym PC", chcesz Voice Access. Te dwa narzędzia działają na różnych założeniach, a dokumentacja leży w różnych miejscach. Większość czytelników szukających „mowa na tekst w Windows" chce Voice Typing.

Kiedy Microsoft Voice Typing wystarcza

Między nami mówiąc, większość ludzi nie potrzebuje płatnej aplikacji do dyktowania. Jeśli wysyłasz odpowiedź na 30 słów, dyktujesz w wątku Slacka albo zapisujesz notatkę kalendarzową, Windows + H jest darmowe i działa. Whisper zaczyna się opłacać około progu 200 słów, gdzie dokładność Voice Typing i brak kroku ulepszania zaczynają boleć. Długie zdania robią się rozwlekłe. Interpunkcja dryfuje. Nazwy własne się chwieją; imię mojej starszej córki zostało zapisane jako „Maira", „Mirror", a raz, w pamiętny sposób, „Mirror image".

Podział wygląda mniej więcej tak: krótkie, swobodne, tylko po angielsku, brak obaw o zgodność → Voice Typing. Długie, świadome, wielojęzyczne, wrażliwe albo chcesz ulepszania → sięgnij po prawdziwe narzędzie. Jeśli twój dzień to głównie dwulinijkowe czaty na Teams, skończyłeś czytanie tego artykułu. Jeśli twój dzień obejmuje pisanie e-maili, briefów, komentarzy do kodu, podsumowań wykładów albo wariantów copy marketingowego, czytaj dalej. dictating into Word specifically has a few extra considerations worth reading.

And if you want the inverse — Windows reading text back to you for proofreading long drafts — the honest free text-to-speech roundup covers Edge's built-in Read Aloud and the five tools worth the install.

Wolisz stronę produktu zamiast poradnika? Whisper — mowa na tekst dla Windows przedstawia aplikację, lokalne modele i pobieranie w jednym miejscu.

Krok po kroku: tryb Cloud (ścieżka OpenAI BYOK)

Cloud to ścieżka najwyższej jakości i ta, którą skonfigurowałbym jako pierwszą na nowej maszynie. Budżet czasowy: około 3 minuty, jeśli masz już klucz OpenAI.

Ścieżka alternatywna: Parakeet (tryb local-first)

Jeśli wolisz, żeby twój dźwięk nie opuszczał laptopa, Parakeet jest najszybszym lokalnym silnikiem.

Instalacja

Ten sam instalator Whisper. Settings → Transcription → przełącz tryb na Local — Parakeet. Aplikacja pobiera plik modelu Parakeet v3 (~600 MB) i rozpakowuje go przy pierwszym uruchomieniu.

Używanie

Ten sam skrót: trzymaj Ctrl + Space, mów, puść. Transkrypcja pojawia się przy kursorze, tak samo jak w trybie cloud. Nie potrzeba internetu po pobraniu modelu. Cała transkrypcja jest czysto-Rustowa przez transcribe-rs (bez sidecara Pythona).

Kiedy to wybrać

Mówisz po angielsku. Praca głównie po angielsku. Code-switching między językami UE jest okej; Parakeet obsługuje 25 języków, w tym francuski, niemiecki, hiszpański, włoski, polski, ukraiński, rosyjski i 17 innych. Chcesz prędkości i nie potrzebujesz tłumaczenia na angielski ani języków azjatyckich. Parakeet działa 5-10× szybciej niż Whisper na CPU, co na typowym laptopie z Intel i5/i7 oznacza, że kończysz dyktowanie, zanim palec zejdzie z klawisza.

Kiedy to pominąć

Mówisz po chińsku, japońsku, koreańsku, arabsku albo w innym języku spoza UE; potrzebujesz tłumaczenia na angielski; albo potrzebujesz kontroli szerokości wiązki i hotwordów. Użyj zamiast tego ścieżki lokalnego Whisper albo Cloud.

Ścieżka alternatywna: lokalny Whisper (gdy potrzebujesz kontroli)

Lokalny Whisper to najszerszy lokalny silnik. 99 języków w wersjach wielojęzycznych. Tłumaczenie na angielski. Własne słownictwo. Kontrola szerokości wiązki. Biasing słów-kluczy.

Instalacja

Ten sam instalator Whisper. Settings → Transcription → przełącz tryb na Local — Whisper. Wybierz model.

Używanie

Ten sam skrót: trzymaj Ctrl + Space, mów, puść. Ulepszanie AI w trybie lokalnym jest przez Ollama, jeśli ją masz zainstalowaną; w przeciwnym razie surowa transkrypcja.

Profile wydajności

Settings → Transcription → Performance. Trzy opcje: Fast (beam 3), Balanced (beam 6), Accurate (beam 9). Fast i Balanced są dobre dla większości użytkowników; Accurate jest do transkrypcji o wysokiej stawce, gdzie możesz poczekać dodatkową sekundę.

Kiedy to wybrać

Tłumaczysz z ukraińskiego na angielski w połowie zdania, dyktujesz po japońsku, przełączasz się między pięcioma językami w jednym akapicie albo chcesz biasingu hotwordów dla słownictwa branżowego (medycznego, prawniczego, technicznego).

Kiedy to pominąć

Jesteś osobą mówiącą tylko po angielsku, która chce najszybszej opcji lokalnej; wybierz zamiast tego Parakeet. Chcesz najwyższej dokładności i masz klucz OpenAI; wybierz Cloud.

Szczere porównanie: Microsoft Voice Typing, Wispr Flow i Whisper

Wispr Flow to dopracowany produkt tylko w cloudzie za mniej więcej $15 miesięcznie w Windows. Faktyczna transkrypcja dzieje się przez tę samą rodzinę modeli Whisper działających na cudzym GPU. My sprawiamy, że ten sam silnik działa na twoim laptopie, pobieramy $9.99 miesięcznie i dorzucamy cloud (BYOK do OpenAI) jako fallback, gdy go potrzebujesz. Cena lifetime ($69) zwraca się względem subskrypcji miesięcznej po siedmiu miesiącach: przy $9.99 × 7 wydałbyś $69.93 na miesięczne. Większość użytkowników dyktuje znacznie dłużej niż siedem miesięcy. Lifetime to uczciwa cena za narzędzie, którego naprawdę używasz.

Chcę być jasny: Wispr Flow to prawdziwy produkt zrobiony przez mądrych ludzi. Jeśli ich UI to coś, co przekona cię do dyktowania w ogóle, to warte więcej niż $20 miesięcznie w zaoszczędzonym pisaniu. My po prostu uważamy, że dyktowanie nie powinno kosztować comiesięcznej subskrypcji na zawsze w 2026.

If your dictation lives mostly in the browser, the Chrome-extension route is a different trade-off again; the honest Voice In (Dictanote) alternative weighs an in-page extension against a system-wide app that types into every window.

Wybór właściwego modelu Whisper dla twojego sprzętu

Whisper trafia do aplikacji w ośmiu rozmiarach. Nudna prawda jest taka, że większość użytkowników Windows powinna wybrać small.en do pracy tylko po angielsku albo small do wielojęzyczności i nigdy więcej o tym nie myśleć.

Wszystkie rozmiary pobrane bezpośrednio z rejestru modeli aplikacji desktopowej; bez zaokrągleń, bez liczb z publicznego artykułu o Whisper.

Kilka reguł kciuka. Z 8 GB RAM tryb Cloud działa na dowolnym sprzęcie niezależnie od wszystkiego. Lokalnie: Parakeet, base.en albo small.en to bezpieczne wybory; medium.en się zadławi. Z 16 GB+ i dedykowanym GPU wszystkie ścieżki działają komfortowo, a large-v3 i turbo najwięcej zyskują na GPU. Mikrofon USB za $20 robi więcej dla dokładności transkrypcji niż upgrade z small.en do medium.en. Wydaj pieniądze na wejście, zanim wydasz je na model.

Dla użytkowników wielojęzycznych przełączających się między angielskim a ukraińskim, niemieckim albo japońskim w połowie akapitu, large-v3 albo turbo to jedyna rodzina modeli, która obsługuje prawdziwe code-switching czysto. Mniejsze modele wielojęzyczne potrafią dobrze transkrybować jeden język, ale chwieją się, gdy przełączasz się w połowie zdania.

Trzy rzeczy, na których ludzie się potykają w pierwszym tygodniu

Mała historia, która może oszczędzić ci wieczór. Pierwsza wersja obsługi skrótu w Whisper odpalała callback zatrzymujący nagrywanie sześć razy na każde prawdziwe naciśnięcie klawisza w Windows. Działało dobrze na czystej instalacji, psuło się na maszynach klientów, którzy mieli włączony jakikolwiek input języka. Zajęło kilka dni telemetrii, debounce 50ms, który nie wystarczył, potem debounce 300ms, który wreszcie wystarczył. Windows IME generuje fantomowe zdarzenia release Ctrl + Space w nieprzewidywalnych odstępach; albo robisz debounce, albo tracisz rozum. Wybraliśmy pierwsze. Debounce jest dla ciebie niewidoczny; po prostu siedzi tam i robi swoje, w sposób, w jaki większość dobrej infrastruktury robi swoje.

If your Win + H toolbar opens but the microphone meter never moves — or the whole shortcut does nothing — that's a different problem with its own short fix list: eight verified fixes for Windows voice typing that stopped working.

Jeśli zapamiętasz tylko jedną rzecz, zapamiętaj to: twój pecet z Windows już potrafi mowę na tekst, za darmo, wystarczająco dobrze do krótkich notatek. Używaj. Kiedy historia prywatności (dźwięk kierowany przez Azure), brak ulepszania i ograniczenia długiego dyktowania zaczynają cię kosztować prawdziwy czas (zwykle około progu 200 słów, zwykle po jakimś tygodniu), wtedy prawdziwe narzędzie do dyktowania zarabia na siebie. Jeśli zależy ci na prywatności albo jesteś głównie offline, spróbuj najpierw lokalnie. Cloud to ścieżka najwyższej jakości, jeśli ci nie zależy. Przełącznik to jeden suwak w Settings, a skrót jest ten sam. Jeśli teraz w głowie ważysz kroki konfiguracji, najszybszy eksperyment to: zainstaluj Whisper, ustaw tryb Cloud z kluczem OpenAI, trzymaj Ctrl + Space, podyktuj ten akapit z powrotem do okna Notepada i zobacz, czy jeszcze kiedykolwiek będziesz chciał wrócić do pisania. Założę się, że nie.